/ Модель

Характеристики

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

RLDX-1-PT-IMG

Языковая модельИзображение, текст → action3 профессии

Предварительно обученная модель RLWRLD для роботизированных манипуляций, которая по изображению, состоянию робота и текстовой инструкции предсказывает последовательность действий.

123скачиваний за 30 дней3лайкавеса обновлены13 июл 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-IMG — предварительно обученная модель для управления роботизированными манипуляциями, разработанная RLWRLD. Это вариант семейства RLDX-1 с одним кадром изображения на камеру вместо четырёхкадрового видео; модель предназначена для более лёгкого и быстрого выполнения политики. В основе — дообученная Qwen/Qwen3-VL-8B-Instruct, а архитектура политики Multi-Stream Action Transformer (MSAT) обучена методом flow matching. Размер чекпойнта — 6,9 млрд параметров.

Модель принимает RGB-изображения, проприоцептивное состояние робота и текстовую инструкцию, а выдаёт последовательность действий длиной 16 шагов. Чекпойнт предварительно обучен на смешанных корпусах роботизированных манипуляций, включая Open X-Embodiment, Galaxea, AgiBot World и данные для гуманоидных роботов. Его используют для исследований, симуляционных тестов, дообучения под новые роботизированные платформы и некоммерческого применения на реальных роботах. Указанная в README лицензия RLWRLD Model License v1.0; коммерческое применение исключено.

Модель рассчитана на манипуляции, но результат зависит от соответствия роботизированной платформы и распределения данных. Для новых платформ работа без дообучения не гарантируется. Модули памяти, движения и физических сигналов в этом чекпойнте отключены и требуют подключения при дообучении.

Сценарии применения

  • управление захватом предметов роботом по изображению и инструкции
  • дообучение политики манипуляций для новой роботизированной платформы
  • проверка роботизированных политик в симуляционных бенчмарках
  • эксперименты с управлением роботами на основе визуальных наблюдений
  • некоммерческое выполнение манипуляций на реальном роботе

Ограничения

Результаты зависят от соответствия роботизированной платформы и обучающих данных; для новых платформ работа без дообучения не гарантируется. Модули памяти, движения и физических сигналов в этом чекпойнте отключены.

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-IMG: a lightweight, image-input variant of the RLDX-1-PT, which uses 4-frame video inputs. This trades a minimal drop in success rate for a substantially lighter and faster policy, making it well suited to real-time and resource-constrained deployment. It is pre-trained on the same broad mixture of public manipulation corpora, providing a lightweight starting point for rapid experimentation on 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-IMG (vision foundation checkpoint). The full RLDX-1 model family:

CheckpointDescriptionParamsEmbodiment Tag
RLDX-1-PTMulti-source pretrained foundation6.9Bper-dataset
RLDX-1-PT-IMGImage-input (single-frame) 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

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-PT-IMG",
    embodiment_tag=EmbodimentTag.OXE_FRACTAL,
    device="cuda:0",
)

action = policy.get_action(observation)

RLDX-1-PT-IMG 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.

Finetune from RLDX-1-PT-IMG

uv run python rldx/experiment/launch_train.py \
    --base-model-path RLWRLD/RLDX-1-PT-IMG \
    --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: A single RGB image per camera view (video_length=1, vs the 4-frame video input of RLDX-1-PT), state proprioception, language instruction.
  • Outputs: Action chunks of length 16 (action_horizon=16).
  • Backbone: Qwen/Qwen3-VL-8B-Instruct.
  • Add-on modules: memory / motion / physics are dormant in this checkpoint (use_memory=use_motion=use_physics=false) and only activate when the corresponding flags are wired during finetuning (see RLDX-1-MT-ALLEX).
  • Pretraining data: A mixture of public manipulation corpora, covering 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-IMG 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
d67fc64

0 моделей