/ Модель

Характеристики

Библиотека
pytorch
Опубликована
30 июл 2026

video2vla-robotwin15-ground-truth-latent-slice-idm

Языковая модельИзображение, текст → action

Компактная модель обратной динамики предсказывает нормализованные положения суставов робота по латентным представлениям контекстных и будущих видеокадров для задач RoboTwin.

2скачиваний за 30 дней0лайковвеса обновлены10 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

Video2VLA RoboTwin-15 Ground-Truth Latent-Slice IDM — компактная модель обратной динамики для робототехники. Она обучена RoMALab на 15 задачах RoboTwin и предсказывает движения суставов по латентным представлениям видео, полученным из причинного VAE HunyuanVideo 1.5. Это модель действий, а не генератор видео.

Модель принимает тензор латентов BF16 или FP32 формы [B, 32, 6, H, W]: две временные среза задают контекст, а четыре последующих соответствуют будущим кадрам. Пространственный декодер с 4,408 млн параметров независимо обрабатывает каждый срез и выдаёт нормализованные целевые значения для 14 суставов — по четыре действия на срез. Входных данных проприоцепции модель не использует.

Модель обучена на 69 704 окнах обучающей и 8 821 окне валидационной выборки корпуса RoboTwin с 15 задачами; опубликованный чекпойнт соответствует 100 000 шагам. Показатели MSE и MAE измерены на нормализованных целевых значениях суставов и не являются оценкой успешности выполнения задач. Для восстановления координат суставов нужна статистика нормализации из action_stats.json. Лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание целевых положений суставов по последовательности латентов видео
  • получение действий робота для задач из набора RoboTwin-15
  • обучение и сравнение моделей управления роботом по видео
  • возобновление обучения IDM из опубликованного чекпойнта

Ограничения

Модель не принимает проприоцептивные данные и ожидает латенты HunyuanVideo 1.5 в заданном формате; для преобразования предсказаний в координаты суставов требуются статистики нормализации. Метрики на нормализованных целях не отражают успешность выполнения задач.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Video2VLA RoboTwin-15 Ground-Truth Latent-Slice IDM

A compact inverse-dynamics action head trained on frozen ground-truth HunyuanVideo 1.5 causal-VAE latents from 15 RoboTwin tasks. This is an action model, not a video generator.

Model

  • Input: BF16/FP32 latent tensor [B, 32, 6, H, W] (training cache used H=19, W=38).
  • Temporal layout: two context latent slices followed by four future latent slices.
  • Output: normalized joint targets [B, 24, 14].
  • Architecture: the same 4.408M-parameter spatial decoder is applied independently to every latent slice; each slice predicts four actions.
  • No proprioception input.

The training cache was created before Hunyuan posttraining and contains clean VAE encodings. This run did not use generated inference latents, a posttrained LoRA, text encoders, or online VAE encoding. Training added independent flow-style noise sampled uniformly from [0.0, 0.2]; validation used fixed noise 0.1.

Training

  • Dataset: 15-task RoboTwin randomized-500 wide corpus.
  • Usable indexed windows: 69,704 train / 8,821 validation.
  • Steps: 100,000.
  • Effective batch: 4 on one NVIDIA GH200.
  • Optimizer: AdamW, LR 3e-4, weight decay 0.05, 500 warmup steps.
  • Runtime: BF16; fused optimizer.
  • Source commit: d76f4a79a8a7f38f3e280dcc9d112d7c3592f25b.
  • Weights & Biases run

Validation

Checkpoint/pointMSEMAE
Best logged point (step 99,000; no checkpoint saved at this step)0.0111190.058417
Published final checkpoint (step 100,000)0.0125370.060717

Metrics are computed on normalized joint targets. They should not be interpreted as task success rates.

Files

  • checkpoint_100000.pt: model, optimizer, scheduler, resolved config, and step; suitable for resuming with Video2VLA.
  • checkpoint_030000.pt: earlier 30k checkpoint retained for comparison.
  • model.safetensors: model state only.
  • config.yaml: source training configuration.
  • resolved_config.json: fully resolved configuration embedded in the checkpoint.
  • action_stats.json: joint-action normalization statistics.
  • training_metadata.json: provenance, metrics, and SHA-256 hashes.
  • training_code/: relevant source snapshot used by this cache-backed run.

Loading the model-only weights

from safetensors.torch import load_file
from video2vla.action_heads import LatentSliceHead

model = LatentSliceHead(
    latent_channels=32,
    action_dim=14,
    hidden_channels=128,
    spatial_pool=8,
    mlp_dim=512,
    actions_per_latent=4,
    dropout=0.05,
)
model.load_state_dict(load_file("model.safetensors"))
model.eval()

The outputs are normalized joint positions; use action_stats.json to invert z-score normalization.

Additional mixed-latent checkpoint

The repository also contains the newer 60% clean / 40% generated-latent IDM, trained for 100,000 steps. It is stored separately so checkpoint_100000.pt at the repository root continues to identify the original clean-only model.

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
15d239d

0 моделей