/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
9 авг 2026

basevla-libero-aug

Языковая модельИзображение, текст → action

Экспериментальная VLA-модель на базе Qwen2.5-VL-3B-Instruct предсказывает последовательности действий робота по изображению, заданию и состоянию для задач LIBERO.

0скачиваний за 30 дней0лайковвеса обновлены9 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ngseo/basevla-libero-aug — экспериментальная модель управления роботом на основе поведенческого клонирования, дообученная на Qwen2.5-VL-3B-Instruct с помощью LoRA. Она предназначена для предсказания действий в четырёх наборах LIBERO с включённой аугментацией изображения: на вход принимает один RGB-кадр с фронтальной камеры, строку задания и 8-мерное состояние, а выдаёт последовательность из 10 действий размерности 7. Обучение длилось 100 000 шагов; целевая функция — L1-ошибка по нормализованным действиям.

Модель разработана как контрольный вариант исследования влияния аугментации на корреляцию между ракурсом и задачей. Используются Qwen2.5-VL-3B, LoRA ранга 32, две латентные головы и ResNet-голова действий. Модель обучалась на LIBERO с равным весом четырёх наборов; применяется аугментация освещения, шума, кадрирования и геометрических искажений.

В README не приведены результаты выполнения задач в симуляции или на физическом роботе: указанная ошибка относится только к обучающим данным и нормализованным действиям. Для полноценного применения требуется соответствующая среда и конвейер управления; выход модели сам по себе не подтверждает успешность выполнения задач. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • предсказание действий робота по кадру фронтальной камеры
  • выполнение задач манипуляции из набора LIBERO
  • изучение влияния аугментации изображений на управление роботом
  • сравнение контрольных вариантов поведенческого клонирования

Ограничения

Модель не оценивалась в симуляции или на физическом роботе; приведена только обучающая L1-ошибка по нормализованным действиям. Предназначена для фронтального изображения и не использует изображение с камеры на запястье.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BaseVLA — LIBERO 4-suite (Qwen2.5-VL-3B) with domain augmentation

Plain behaviour cloning baseline: no V-JEPA, no latent alignment, no decorrelation. Just L1(action) on the LIBERO 4-suite mix, with domain augmentation switched on. Trained for 100,000 steps.

This is the control condition for a study on viewpoint↔task spurious correlation — the "what does augmentation alone buy you?" cell.

Data

The four standard LIBERO suites, sampled with equal weight per suite (weight / n_frames, so suite size does not bias the mix):

suiteepisodesframes
libero-spatial43252,970
libero-object45466,984
libero-goal42852,042
libero-10379101,469
total1,693273,465

Front camera (observation.images.image) only; the wrist camera is dropped. 10 fps, 8-D state, 7-D action.

Architecture

Qwen2.5-VL-3B + LoRA ─ forward_full_hidden ─┬─ Head A → z_a ─┐
                                            └─ Head B → z_b ─┴─ concat → ResNetActionHead → 10×7

L = L1(action)        ← that is the whole objective
LoRAr=32
Headsdual AttentiveLatentHead, proj 4096, 8 queries, depth 2
Inputs1 RGB frame @224 + task string + 8-D state
Output10-step action chunk (1.0 s @ 10 fps)
OptimiserAdamW, lr 5e-5, batch 32, bf16
AugmentationColorJitter/SharpnessJitter ×2 + DomainRandomization p=0.7

Augmentation detail — applied to the context frame only: lighting gain 0.3–2.0, sensor noise ISO 1–4, random crop, warping (corner shift 0.08–0.20), each drawn independently per sample.

Training curve

steploss
10,0000.0823
20,0000.0731
30,0000.0655
50,0000.0537
70,0000.0492
100,0000.0479

17 h 28 min on one A100 80GB.

Not evaluated on a robot or in simulation. The number above is a training-set L1 on normalised actions. No LIBERO rollout success rate is reported here, and rollout is what actually matters for this benchmark.

Contents

checkpoint.pt holds policy (full VLM incl. LoRA), latent_head, free_latent_head, action_head, optimizer, agg_stats (the normalisation statistics used), and args (the exact CLI configuration).

Load with:

import torch
ck = torch.load("checkpoint.pt", map_location="cpu", weights_only=False)
ck["step"]        # 100000
ck["args"]        # full training config
ck["agg_stats"]   # action/state normalisation used at train time

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
1561494

0 моделей