/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
16 окт 2025

Qwen2.5-VL-3B-Instruct-Action

Языковая модельИзображение, текст → action3 профессии

Начальная версия Qwen2.5-VL-3B-Instruct с 2 048 добавленными токенами для последующего обучения моделей управления действиями робота.

150скачиваний за 30 дней1лайквеса обновлены4 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

StarVLA подготовила начальную версию Qwen2.5-VL-3B-Instruct с расширенным словарём для фреймворков робототехники: к текстовому словарю добавлены 2 048 токенов действий. Модель использует архитектуру Qwen2_5_VLForConditionalGeneration; базовая модель содержит около 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Репозиторий предназначен для дальнейшего обучения систем, которые представляют действия робота дискретными токенами.

Параметры исходной Qwen2.5-VL сохранены, кроме расширения эмбеддингов токенов и выходного словаря. Новые эмбеддинги не обучены и не несут готовой семантики действий; для применения требуется задать кодовую книгу, связывающую непрерывные действия с индексами токенов, и обучить модель на соответствующих данных. Для согласования идентификаторов нужно загружать модель и токенизатор из этого же репозитория.

Модель принимает изображения и текст и генерирует текст, включая токены действий; она основана на мультимодальной Qwen2.5-VL-3B-Instruct от Alibaba. Карточка не сообщает о робототехническом дообучении или результатах тестирования на бенчмарках. Лицензия наследуется от базовой модели.

Сценарии применения

  • подготовка мультимодальной модели к обучению на токенизированных действиях робота
  • создание робототехнических политик на основе Qwen2.5-VL
  • сопоставление изображений и текстовых инструкций с дискретными действиями после дообучения

Ограничения

Добавленные токены не обучены и не имеют заданной семантики действий; для применения нужны кодовая книга и дальнейшее обучение. В репозитории не определены тип робота, размерность и горизонт действий, датасет или протокол оценки; используйте модель вместе с её собственным токенизатором.

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

Qwen2.5-VL-3B-Instruct with action tokens

This repository is a Qwen2.5-VL-3B-Instruct initializer whose tokenizer and text vocabulary have been extended with 2,048 tokens named <robot_action_0> through <robot_action_2047>. It is intended as a starting point for StarVLA frameworks that discretize robot actions as tokens.

The packaged config.json identifies Qwen2_5_VLForConditionalGeneration, a 2,048-dimensional, 36-layer text backbone originating from Qwen2.5-VL-3B-Instruct.

Model and input contract

ItemValue
Base modelQwen/Qwen2.5-VL-3B-Instruct
ArchitectureQwen2_5_VLForConditionalGeneration
Added action tokens2,048
Action-token IDs151665–153712 in the packaged tokenizer
InputsSame text, image, and video inputs as the base Qwen2.5-VL model
OutputLanguage-model logits over the extended vocabulary
Robot action headNone
Robot checkpointNone

The extension was produced with starVLA/model/modules/vlm/tools/add_qwen_special_tokens.

Training and evaluation

No additional VLM or robot-policy fine-tuning is reported for this repository. The pre-existing Qwen2.5-VL parameters are retained apart from resizing the token embedding/output vocabulary for the new entries. The added action-token embeddings therefore should be treated as initialization, not as learned action semantics.

No robot benchmark result is associated with this repository.

Loading

Use the model and tokenizer from the same repository so their vocabulary sizes and token IDs remain aligned:

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

repo_id = "StarVLA/Qwen2.5-VL-3B-Instruct-Action"
processor = AutoProcessor.from_pretrained(repo_id)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    repo_id,
    torch_dtype="auto",
    device_map="auto",
)

Downstream training must define the action quantization/codebook that maps continuous robot actions to the 2,048 token indices.

Evidence and limitations

  • config.json verifies the Qwen2.5-VL architecture and 3B-class hidden dimensions; added_tokens.json verifies all 2,048 action-token entries.
  • This repository does not define normalization, action dimension, action horizon, robot embodiment, dataset, controller, or evaluation protocol.
  • Token IDs are repository-specific. Mixing this tokenizer with the unextended base model or another action-token checkpoint can silently corrupt decoding.
  • The model inherits the base model license, acceptable-use requirements, biases, and failure modes.

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
Qwen2_5_VLForConditionalGeneration
Ревизия весов
97163e6

0 моделей