/ Модель

Характеристики

Размер весов
13,8 ГБ
Лицензия
Своя лицензия
Архитектура
RLDX-1 · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
27 апр 2026

RLDX-1-PT

Языковая модельИзображение, текст → action3 профессии

Предварительно обученная модель RLWRLD для управления роботизированной манипуляцией, предназначенная для адаптации под конкретного робота и задачу.

1 036скачиваний за 30 дней14лайковвеса обновлены24 июн 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-PT — базовый предварительно обученный чекпойнт семейства RLDX-1 от RLWRLD для задач роботизированной манипуляции. Модель предназначена для адаптации под новые типы роботов и задачи, симуляционных бенчмарков и некоммерческого применения на реальном оборудовании в рамках лицензии RLWRLD Model License v1.0; коммерческое использование исключено.

Модель содержит 6,9 млрд параметров и использует архитектуру Multi-Stream Action Transformer (MSAT) с визуально-языковой основой Qwen3-VL-8B-Instruct. На вход подаются RGB-кадры, проприоцептивное состояние, языковая инструкция и при наличии тактильные или крутящие сигналы; на выходе — последовательности действий длиной 16 шагов. Чекпойнт предварительно обучен на смеси публичных корпусов манипуляции, включая 27 наборов Open X-Embodiment и данные других роботов.

Модель рассчитана на дообучение под конкретное воплощение робота. Результат зависит от соответствия робота и распределения данных; без дополнительной настройки работа на новых воплощениях не гарантируется. Модули памяти, движения и физического сенсинга в этом чекпойнте не активны без соответствующей настройки при дообучении.

Сценарии применения

  • дообучение политики манипуляции под новую конфигурацию робота
  • управление роботом по RGB-наблюдениям и языковой инструкции
  • генерация последовательностей действий для захвата и перемещения предметов
  • оценка политик манипуляции в симуляционных бенчмарках
  • некоммерческое развертывание управления манипуляцией на реальном роботе

Ограничения

Результат зависит от соответствия воплощения робота и обучающих данных; работа без дообучения на новых воплощениях не гарантируется. Модули памяти, движения и физического сенсинга в этом чекпойнте требуют отдельного подключения при дообучении.

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

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. RLDX-1 achieves state-of-the-art performance across diverse simulation benchmarks and is fully validated on real-world hardware.

This repository hosts RLDX-1-PT — a foundation checkpoint pretrained on a broad mixture of public manipulation corpora, from which all downstream RLDX-1-{FT,MT}-* releases finetune. Use it as your starting point for new embodiments and tasks.

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).

Released Checkpoints

This card describes RLDX-1-PT (foundation). The full RLDX-1 model family:

CheckpointDescriptionParamsEmbodiment Tag
RLDX-1-PTMulti-source pretrained foundation (this repo)6.9Bper-dataset
RLDX-1-VLMQwen3-VL-8B vision-language backbone8B—
RLDX-1-FT-ROBOCASARoboCasa Kitchen 24-task finetune6.9BGENERAL_EMBODIMENT
RLDX-1-FT-RC365RoboCasa-365 cross-task finetune6.9BGENERAL_EMBODIMENT
RLDX-1-FT-LIBEROLIBERO 4-task suite (goal, object, spatial, long) finetune6.9BGENERAL_EMBODIMENT
RLDX-1-FT-SIMPLER-GOOGLESIMPLER Google VM/VA finetune6.9BOXE_FRACTAL
RLDX-1-FT-SIMPLER-WIDOWXSIMPLER WidowX finetune6.9BOXE_BRIDGE_ORIG
RLDX-1-FT-GR1GR-1 Tabletop finetune6.9BGENERAL_EMBODIMENT
RLDX-1-MT-DROIDDROID mid-train8.1BOXE_DROID
RLDX-1-MT-ALLEXAll add-ons (memory + motion + physics + video)8.1BGENERAL_EMBODIMENT

Performance

Success rate (%) of RLDX-1 finetuned on each benchmark's training set, evaluated with the linked checkpoint.

BenchmarkSuccess RateCheckpoint
LIBERO97.8RLDX-1-FT-LIBERO
LIBERO-Plus87.6RLDX-1-FT-LIBERO
SIMPLER Google-VM81.5RLDX-1-FT-SIMPLER-GOOGLE
SIMPLER Google-VA77.4RLDX-1-FT-SIMPLER-GOOGLE
SIMPLER WidowX71.9RLDX-1-FT-SIMPLER-WIDOWX
RoboCasa Kitchen70.6RLDX-1-FT-ROBOCASA
GR-1 Tabletop58.7RLDX-1-FT-GR1
RoboCasa36531.5RLDX-1-FT-RC365

Quick start

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

Inference (single step)

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

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

action = policy.get_action(observation)

RLDX-1-PT is pretrained on a multi-source mixture, so for direct inference pair it with the embodiment tag matching your data source — e.g. OXE_FRACTAL, OXE_BRIDGE_ORIG, OXE_DROID, GALAXEA, AGIBOT_GRIPPER, AGIBOT_DEXHAND, NEURAL_GR1, HUMANOID_EVERYDAY_G1, HUMANOID_EVERYDAY_H1, etc. For custom robots, finetune.

Real-time serving (ZeroMQ)

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

A WebSocket server (run_rldx_server_pi.py) is also available for openpi-compatible clients.

Finetune from RLDX-1-PT

uv run python rldx/experiment/launch_train.py \
    --base-model-path RLWRLD/RLDX-1-PT \
    --dataset-path /path/to/your/dataset \
    --embodiment-tag GENERAL_EMBODIMENT \
    --video-length 4 --n-cog-tokens 64 \
    --global-batch-size 64 --learning-rate 1e-4 \
    --max-steps 60000 --save-steps 5000 \
    --output-dir ./outputs/my_finetune

To enable add-ons (memory / motion / physics) see the recipes in the main README and the training.md guide.

Model details

  • Architecture: Multi-Stream Action Transformer (MSAT) policy with a Qwen3-VL vision-language backbone, cognition-token perceptual summary, optional Transformer memory, motion module, and tactile/torque physics encoder/decoder. Trained with flow matching.
  • Inputs: RGB video (default 4 frames), state proprioception, optional tactile / torque signals, language instruction.
  • Outputs: Action chunks of length 16 (default --action-horizon 16).
  • Backbone: Qwen/Qwen3-VL-8B-Instruct.
  • Pretraining data: A mixture of public manipulation corpora, covering 27 Open X-Embodiment (OXE) datasets (DROID, Bridge, Fractal, Language Table, …) plus Galaxea, AgiBot World (Gripper + Dexhand), ActionNet, Neural-Curated GR-1 humanoid trajectories, and Unitree G1 / H1 from HumanoidEveryday.

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

Intended use & limitations

Intended use. Research on robotic manipulation, finetuning on custom embodiments, simulation benchmarking, 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. Performance depends heavily on embodiment match and data distribution. The pretrained checkpoint is OXE-conditioned and is not guaranteed to work zero-shot on novel embodiments without finetuning. Memory, motion, and physics modules are dormant in RLDX-1-PT and only activate when the corresponding flags are wired during finetuning (see RLDX-1-MT-ALLEX).

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
1592013

0 моделей