/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
31 авг 2026

robotok-public

Языковая модельИзображение, текст → action

RoboTok кодирует 3D-траектории рук в эмбеддинги для поиска похожих движений в интернет-видео и обучения манипуляциям.

0скачиваний за 30 дней7лайковвеса обновлены25 сен 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

RoboTok — модель лаборатории Rice-RobotPI-Lab для поиска в интернет-видео фрагментов с движениями рук, похожими на заданную 3D-траекторию. Она кодирует признаки траекторий двух рук относительно корпуса в 256-мерные эмбеддинги; сходство обучено воспроизводить ранжирование по динамическому временно́му выравниванию (DTW). Энкодер использует перекрёстное внимание с одним обучаемым запросом, позиционное кодирование и двухслойный MLP. В репозитории также есть оцениватель системы координат корпуса на основе rotation-equivariant transformer с отдельными головами для вращения и переноса.

Модель предназначена для поиска демонстраций манипуляций по сходству движений рук и подготовки данных для обучения ловким манипуляциям. Энкодер принимает последовательности признаков 3D-ключевых точек рук: до 42 кадров, по 21 суставу на каждую из двух рук. Доступны веса PyTorch и конфигурация для инференса. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

Сценарии применения

  • поиск видео демонстраций по 3D-траектории рук
  • ранжирование видеоклипов по сходству движений рук
  • подбор примеров движений для обучения роботизированным манипуляциям

Ограничения

Поиск описан для траекторий 3D-ключевых точек двух рук относительно корпуса с длиной последовательности до 42 кадров; свойства поиска по произвольным видео напрямую не заявлены. Указана лицензия other, поэтому условия использования нужно проверить в карточке репозитория.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoboTok — A Scalable Data Engine for Internet Demonstration Video Retrieval and Dexterous Manipulation Learning

🌐 Project website: rice-robotpi-lab.github.io/RoboTok

RoboTok hand-motion embedding space

Released checkpoints and evaluation keypoints for RoboTok, a model that retrieves web video clips by 3D hand-motion similarity. Similarity is defined by DTW over torso-relative 3D hand keypoints; the encoder is trained to reproduce that DTW ranking in a fast embedding space.

Training and evaluation code is in the accompanying source release.

Files

FileSizeDescription
models/best_abs_retrieval_model.pt3.8 MBRetrieval encoder. Cross-attention head over [T, 126] hand-trajectory features (21 joints x 3 coords x 2 hands, T_max = 42): 1 learned query token, 256-d input projection, 1 cross-attention layer (4 heads, sinusoidal PE), 2-layer MLP to a 256-d embedding. DTW design abs_21j_coords.
models/best_abs_retrieval_model.yaml2 KBMinimal config to reload the encoder for inference.
models/body_pose_est.pt9.9 MBVector-neuron torso/body-frame estimator: 4-layer rotation-equivariant transformer mapping two-hand trajectories to a torso frame, with separate rotation and translation heads.
eval_data/torso_relative_clip_keypoints.pt6.5 GBTorso-relative 3D hand keypoints per clip. Each entry has video_number, node_number, node_uid, keypoints_per_frame (kpts_2d, kpts_3d), and infilled / depth_grounded flags.

Loading

import torch

ckpt = torch.load("models/best_abs_retrieval_model.pt", map_location="cpu", weights_only=True)
ckpt["head_state_dict"]   # encoder weights
ckpt["config"]            # full training configuration

vn = torch.load("models/body_pose_est.pt", map_location="cpu", weights_only=True)
vn["model"]               # torso estimator weights

Citation

@article{qian2026robotok,
  title     = {RoboTok: A Scalable Data Engine for Internet
               Demonstration Video Retrieval and Dexterous Manipulation
               Learning},
  author    = {Qian, Howard and Chen, Yiting and Xie, Yunfei and
               Ren, Kejia and Chanrungmaneekul, Podshara and Wang, Gaotian and
               Wen, Bowen and Wei, Chen and Hang, Kaiyu},
  journal   = {arXiv preprint arXiv:2609.03199},
  year      = {2026}
}

License

FAIR Noncommercial Research License v1 (see LICENSE-Action100M). Noncommercial research only.

The released checkpoints (models/*.pt) and evaluation keypoints (eval_data/torso_relative_clip_keypoints.pt) are derivative works of Action100M (Meta FAIR) clips and are governed by that license. It covers trained model weights as "Research Materials", and restricts both those materials and any outputs or results obtained from them to noncommercial research use. If you publish results obtained using these materials, the license requires you to acknowledge that use.

MIT (LICENSE) covers only models/best_abs_retrieval_model.yaml and the accompanying source release.

The MANO / SMPL-H body models required by parts of the pipeline are not included and remain under their own MPI-IS license terms — register at https://mano.is.tue.mpg.de to obtain them.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
37633b6

0 моделей