/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
9,4 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen2_5_omni_thinker · dense
Библиотека
transformers
Опубликована
28 окт 2025

RoboOmni

Языковая модельИзображение, текст → action3 профессии

RoboOmni — мультимодальная модель для распознавания намерений человека и проактивного выполнения роботизированных манипуляций по речи, звукам среды и визуальным сигналам.

70скачиваний за 30 дней16лайковвеса обновлены30 окт 2025

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

RoboOmni — система для проактивного управления манипуляциями робота, разработанная командой OpenMOSS. Она помогает роботу выводить намерение человека из разговорной речи, окружающих звуков и визуальных сигналов, даже когда пользователь не произносит явную команду. Архитектура Perceiver-Thinker-Talker-Executor объединяет распознавание намерения, подтверждение взаимодействия и выполнение действий; модель построена на основе мультимодальной архитектуры Qwen2.5-Omni Thinker.

RoboOmni принимает аудио и визуальные сигналы, объединяет их во времени и пространстве, а также поддерживает речевое взаимодействие. Модель предназначена для роботизированных манипуляций в симуляции и реальных условиях. Для обучения создан набор OmniAction: 140 тысяч эпизодов с шестью типами контекстных инструкций. Репозиторий использует Transformers и формат safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • Вывод намерения пользователя из разговора без явной команды
  • Распознавание контекстных инструкций по речи и обстановке
  • Учет звуков окружающей среды при выборе действия робота
  • Подтверждение намерения пользователя перед манипуляцией
  • Выполнение роботизированных манипуляций в симуляции и реальной среде

Ограничения

Коммерческое использование ограничено лицензией CC BY-NC 4.0. Качество и применимость за пределами описанных сценариев манипуляции отдельно не охарактеризованы.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

logo


Recent advances in Multimodal Large Language Models (MLLMs) have driven rapid progress in Vision–Language–Action (VLA) models for robotic manipulation. Although effective in many scenarios, current approaches largely rely on explicit instructions, whereas in real-world interactions, humans rarely issue instructions directly. Effective collaboration requires robots to infer user intentions proactively. In this work, we introduce cross-modal contextual instructions, a new setting where intent is derived from spoken dialogue, environmental sounds, and visual cues rather than explicit commands. To address this new setting, we present RoboOmni, a Perceiver-Thinker-Talker-Executor framework based on end-to-end omni-modal LLMs that unifies intention recognition, interaction confirmation, and action execution. RoboOmni fuses auditory and visual signals spatiotemporally for robust intention recognition, while supporting direct speech interaction. To address the absence of training data for proactive intention recognition in robotic manipulation, we build OmniAction comprising 140k episodes, 5k+ speakers, 2.4k event sounds, 640 backgrounds, and six contextual instruction types. Experiments in simulation and real-world settings show that RoboOmni surpasses text- and ASR-based baselines in success rate, inference speed, intention recognition, and proactive assistance.


⭐️ Architecture

At the heart of RoboOmni lies the Perceiver-Thinker-Talker-Executor architecture, which unifies multiple modalities (vision, speech, environmental sounds) into a single, seamless framework for robot action execution.

WechatIMG2567

👋 Citation

If you find our paper and code useful in your research, please cite our paper.

@article{wang2025roboomni,
  title={RoboOmni: Proactive Robot Manipulation in Omni-modal Context},
  author={Siyin Wang and Jinlan Fu and Feihong Liu and Xinzhe He and Huangxuan Wu and Junhao Shi and Kexin Huang and Zhaoye Fei and Jingjing Gong and Zuxuan Wu and Yugang Jiang and See-Kiong Ng and Tat-Seng Chua and Xipeng Qiu},
  journal={arXiv preprint arXiv:2510.23763},
  year={2025},
  url={https://arxiv.org/abs/2510.23763},
  archivePrefix={arXiv},
  primaryClass={cs.RO},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Qwen2_5OmniThinkerForConditionalGeneration
Ревизия весов
3a84313

0 моделей