/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
16 окт 2025

Qwen3-VL-4B-Instruct-Action

Языковая модельИзображение, текст → action3 профессии

Инициализационная мультимодальная модель Qwen3-VL с расширенным словарём токенов действий для последующего обучения робототехнических политик.

1 216скачиваний за 30 дней3лайкавеса 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/Qwen3-VL-4B-Instruct-Action — инициализационная версия Qwen3-VL-4B-Instruct, подготовленная StarVLA для использования в системах, представляющих действия робота специальными токенами. Это мультимодальная плотная модель архитектуры Qwen3VLForConditionalGeneration с 4 млрд параметров, работающая с текстом и визуальным вводом через базовую Qwen3-VL.

В словарь добавлено 2 048 токенов действий, а матрицы эмбеддингов и выходного словаря расширены. Модель предназначена как отправная точка для последующего обучения робототехнической политики; README не сообщает о дообучении VLM или политики, а новые эмбеддинги токенов не имеют выученной семантики действий. Для обучения необходимо отдельно определить квантование действий и соответствие непрерывных действий индексам токенов.

Репозиторий не задаёт размерность и горизонт действий, роботизированную платформу, контроллер, датасет или протокол оценки; результаты робототехнических тестов не приведены. Идентификаторы токенов специфичны для этого репозитория, поэтому модель и её процессор/токенизатор следует использовать совместно. Лицензия и ограничения использования наследуются от Qwen/Qwen3-VL-4B-Instruct.

Сценарии применения

  • подготовка основы для обучения политики управления роботом
  • добавление дискретизированных действий робота в мультимодальный диалог
  • обучение модели преобразованию визуального наблюдения и инструкции в токены действий

Ограничения

Это не обученная робототехническая политика: эмбеддинги новых токенов действий не несут выученной семантики, и результаты робототехнических тестов не приведены. Не заданы схема квантования, размерность и горизонт действий или роботизированная платформа; токенизатор совместим только с соответствующим чекпойнтом.

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

Qwen3-VL-4B-Instruct with action tokens

This repository is a Qwen3-VL-4B-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; it is not a trained robot policy.

Model and input contract

ItemValue
Base modelQwen/Qwen3-VL-4B-Instruct
ArchitectureQwen3VLForConditionalGeneration
Added action tokens2,048
Action-token IDs151669–153716 in the packaged tokenizer
InputsSame text, image, and video inputs as the base Qwen3-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 Qwen3-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:

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

repo_id = "StarVLA/Qwen3-VL-4B-Instruct-Action"
processor = AutoProcessor.from_pretrained(repo_id)
model = Qwen3VLForConditionalGeneration.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 Qwen3VLForConditionalGeneration; 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
Qwen3VLForConditionalGeneration
Ревизия весов
c41500c

0 моделей