/ Модель

Характеристики

Контекст
9 184 токена
Размер весов
17,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
27 апр 2026

RLDX-1-VLM

Изображение и текст → текст3 профессии

Дообученная на базе Qwen3-VL-8B мультимодальная модель RLWRLD для анализа изображений и видео и экспериментов с перцептивным компонентом робототехнических политик RLDX-1.

30 743скачиваний за 30 дней2лайкавеса обновлены6 мая 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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-VLM — модель «зрение–язык» от RLWRLD, основанная на Qwen3-VL-8B-Instruct и дообученная для использования в семействе робототехнических политик RLDX-1. Это плотная мультимодальная модель на 8 млрд параметров, принимающая текст и изображения или видео и выдающая текст; она загружается через Transformers в формате safetensors.

Модель предназначена для настройки перцептивного компонента политики RLDX-1, визуально-языковых абляций, экспериментов с подробными описаниями изображений и исследования визуального восприятия. Её скрытые состояния могут служить компактным перцептивным представлением для отдельной модели действий.

Самостоятельно RLDX-1-VLM не предсказывает действия робота и не выдаёт робототехнические команды: для этого её необходимо сочетать с политикой RLDX-1. Это исследовательский снимок без дополнительной настройки безопасности сверх базовой Qwen3-VL; модель не предназначена для роли универсального чат-ассистента. В метаданных указана лицензия «other», конкретные условия следует сверить с карточкой модели.

Сценарии применения

  • настройка перцептивного компонента политики RLDX-1
  • подробное описание изображений в исследовательских экспериментах
  • анализ визуального содержимого изображений и видео
  • исследование визуально-языкового восприятия робототехнических систем

Ограничения

Модель не выдаёт команды или действия робота без отдельной политики RLDX-1 и не предназначена для общего чат-использования. Она не имеет дополнительной настройки безопасности сверх базовой Qwen3-VL.

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-VLM

Paper  ·  Project page  ·  Code  ·  Models

RLDX-1-VLM is the vision-language backbone used by the RLDX-1 robot policy family. It is a Qwen3-VL-8B-Instruct checkpoint distributed separately from the action policy so that researchers can inspect, finetune, or replace the perceptual stack independently.

Note. This checkpoint exposes a standard Qwen3-VL VLM interface only — it does not ship the Multi-Stream Action Transformer head, the cognition tokens, the memory / motion / physics modules, or the RLDX inference server. For action prediction, use one of the RLDX-1-PT, RLDX-1-FT-*, or RLDX-1-MT-* checkpoints.

Intended use

  • As the --backbone-path for finetuning a fresh RLDX-1 policy (recipe).
  • For VLM-only ablations, dense-captioning experiments, or perceptual probing within the RLDX research stack.

Quick start

from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained(
    "RLWRLD/RLDX-1-VLM",
    torch_dtype="bfloat16",
    device_map="cuda:0",
)
processor = AutoProcessor.from_pretrained("RLWRLD/RLDX-1-VLM")

Model details

  • Type: Vision-language model (multimodal text + image / video).
  • Backbone: Qwen/Qwen3-VL-8B-Instruct.
  • Params: 8B.
  • Role in RLDX-1: perceptual encoder for the MSAT action policy. Cognition tokens are injected into this backbone and routed through Qwen3-VL hidden states to produce a compact perceptual summary consumed by the action model.

For a full architectural walkthrough including how cognition tokens are wired into this backbone, see docs/architecture.md.

Limitations

RLDX-1-VLM is a research backbone snapshot. It is not safety-tuned beyond its Qwen3-VL upstream, and it is not intended as a general-purpose chat assistant. For action prediction it must be paired with the RLDX-1 policy head; the standalone VLM does not produce robot commands.

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

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
4b9f870

0 моделей