/ Модель

Характеристики

Размер весов
13,8 ГБ
Лицензия
Своя лицензия
Архитектура
RLDX-1 · dense
Базовая модель
RLDX-1-PT
Библиотека
transformers
Опубликована
28 апр 2026

RLDX-1-FT-RC365

Языковая модельИзображение, текст → action3 профессии

Дообученная на RoboCasa-365 модель RLWRLD для управления роботом при выполнении разнообразных задач манипуляции по видео, состоянию робота и текстовым инструкциям.

237скачиваний за 30 дней4лайкавеса обновлены3 окт 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

RLDX-1-FT-RC365 — модель управления роботом для ловкой манипуляции, разработанная RLWRLD. Это дообученная версия RLDX-1-PT, адаптированная на наборе RoboCasa-365 для обобщения на широкий спектр задач манипуляции.

Модель использует архитектуру Multi-Stream Action Transformer (MSAT) на основе Qwen3-VL-8B-Instruct и обучается методом flow matching. Она принимает RGB-видео, проприоцептивное состояние робота и текстовую инструкцию, а выдаёт фрагменты действий длиной 16 шагов. Заявленный размер — 6,9 млрд параметров. В RoboCasa-365 средний успех составляет 31,5%; для отдельных сценариев RoboCasa Kitchen карточка рекомендует специализированный чекпойнт RLDX-1-FT-ROBOCASA.

Модель предназначена для исследований роботизированной манипуляции, изучения обобщения и некоммерческого применения на реальных роботах. Лицензия RLWRLD Model License v1.0 ограничивает коммерческое использование и запрещает ряд применений, подробности приведены в LICENSE.md.

Сценарии применения

  • управление роботом-манипулятором по текстовой инструкции
  • выполнение разнообразных задач манипуляции в среде RoboCasa-365
  • исследование обобщения роботизированных политик на новые задачи
  • генерация последовательностей действий по RGB-видео и состоянию робота
  • некоммерческие эксперименты по переносу политики на реального робота

Ограничения

На RoboCasa-365 средний показатель успешности составляет 31,5%, а результат ниже, чем у специализированной версии для RoboCasa Kitchen. Коммерческое применение ограничено лицензией; для других роботов и наборов данных карточка рекомендует дообучение от RLDX-1-PT.

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

RLDX-1-FT-RC365

Paper  ·  Project page  ·  Code  ·  Models

RLDX-1 is a general-purpose Robot Foundation Model designed for dexterous manipulation. Powered by a Multi-Stream Action Transformer (MSAT), it seamlessly unifies multimodal perception (visual + tactile), high-DoF actuation, and memory-aware decision-making in a single architecture.

This repository hosts RLDX-1-FT-RC365 — RLDX-1 finetuned on the RoboCasa-365 cross-task generalization suite. It achieves 31.5% average success across the 365 tasks, which span a much broader scene and skill distribution than the standard RoboCasa Kitchen suite.

Highlights

  • Multi-Stream Action Transformer (MSAT). Cognition, physics, and action each get a dedicated stream coupled by joint self-attention — an extension of MM-DiT to action modeling.
  • Motion awareness. Multi-frame observations + a motion module capture temporal dynamics; intermediate VLM layers compress video tokens to keep the policy efficient.
  • Long-term memory. A memory module fuses past cognition features with the current ones for history-grounded decisions beyond a short multi-frame window.
  • Physical sensing. Tactile and torque enter as a dedicated physics stream; the decoder is jointly trained to predict future physical signals.
  • Three-stage training. Pre-training (generalization) → mid-training (functionality) → post-training (task adaptation), with synthetic data augmenting rare manipulation scenarios.
  • Real-time inference. Static graph capture + custom fused kernels bring the all-modality model to 43.7 ms / step on RTX 5090 (1.63× speedup, >22 Hz).

Performance

BenchmarkSuccess Rate
RoboCasa-365 (365-task avg)31.5%

Quick start

Installation

git clone https://github.com/RLWRLD/RLDX-1.git
cd RLDX
uv sync --python 3.10
uv pip install -e .

Inference

from rldx.policy.rldx_policy import RLDXPolicy
from rldx.data.embodiment_tags import EmbodimentTag

policy = RLDXPolicy(
    model_path="RLWRLD/RLDX-1-FT-RC365",
    embodiment_tag=EmbodimentTag.GENERAL_EMBODIMENT,
    device="cuda:0",
)

action = policy.get_action(observation)

Real-time serving (ZeroMQ)

uv run python rldx/eval/run_rldx_server.py \
    --model-path RLWRLD/RLDX-1-FT-RC365 \
    --embodiment-tag GENERAL_EMBODIMENT \
    --host 0.0.0.0 --port 20000

To reproduce the benchmark numbers end-to-end, see run_scripts/eval/robocasa_365/README.md.

Model details

  • Architecture: Multi-Stream Action Transformer (MSAT) policy on a Qwen3-VL backbone with cognition-token perceptual summary. Trained with flow matching.
  • Inputs: RGB video (default 4 frames), state proprioception, language instruction.
  • Outputs: Action chunks of length 16.
  • Embodiment tag: GENERAL_EMBODIMENT.
  • Base model: RLWRLD/RLDX-1-PT.
  • Backbone: Qwen/Qwen3-VL-8B-Instruct.
  • Finetune data: RoboCasa-365 (365 tasks).
  • Params: 6.9B.

For the full architectural walkthrough see docs/architecture.md.

RLDX-1 model family

CheckpointDescription
RLDX-1-PTMulti-source pretrained foundation
RLDX-1-VLMQwen3-VL-8B vision-language backbone
RLDX-1-FT-ROBOCASARoboCasa Kitchen 24-task finetune
RLDX-1-FT-RC365RoboCasa-365 cross-task finetune (this repo)
RLDX-1-FT-LIBEROLIBERO 4-task suite (goal, object, spatial, long) finetune
RLDX-1-FT-SIMPLER-GOOGLESIMPLER Google VM/VA finetune
RLDX-1-FT-SIMPLER-WIDOWXSIMPLER WidowX finetune
RLDX-1-FT-GR1GR-1 Tabletop finetune
RLDX-1-MT-DROIDDROID mid-train
RLDX-1-MT-ALLEXAll add-ons (memory + motion + physics + video)

Intended use & limitations

Intended use. Research on robotic manipulation, generalization studies on the RoboCasa-365 suite, and non-commercial real-robot deployment under the conditions of the RLWRLD Model License v1.0.

Out of scope. Commercial deployment, military or weapons applications, non-consensual surveillance, and any use that violates applicable laws or regulations. See LICENSE.md §3.5 for the full list.

Limitations. RoboCasa-365 deliberately probes broad task generalization, so absolute success rate is lower than focused 24-task RoboCasa Kitchen finetuning. For RoboCasa Kitchen specifically, prefer RLDX-1-FT-ROBOCASA. For other embodiments or datasets, finetune from RLDX-1-PT instead.

Citation

@article{rldx2026,
  title={RLDX-1 Technical Report},
  author={Kim, Dongyoung and Jang, Huiwon and Koo, Myungkyu and Jang, Suhyeok and Kim, Taeyoung and others},
  year={2026},
  note={RLWRLD},
  eprint={2605.03269},
  archivePrefix={arXiv},
  url={https://arxiv.org/abs/2605.03269}
}

License

Released under the RLWRLD Model License v1.0 — a non-commercial license with attribution and share-alike requirements. See LICENSE.md for the full text. By using this model you agree to those terms, including the use restrictions in §3.5.

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
RLDX
Ревизия весов
e53351c

0 моделей