/ Модель

Характеристики

Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
starVLA
Опубликована
17 фев 2026

Qwen3-VL-OFT-RoboTwin2-All

Языковая модельИзображение, текст → action3 профессии

Политика StarVLA на основе Qwen3-VL-4B преобразует изображения камер робота в абсолютные суставные команды для задач манипуляции в симуляторе RoboTwin 2.0.

104скачиваний за 30 дней2лайкавеса 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-OFT-RoboTwin2-All — базовая политика для RoboTwin 2.0, разработанная на фреймворке StarVLA на основе Qwen3-VL-4B-Instruct. Модель преобразует RGB-изображения с головной и двух запястных камер непосредственно в 14 абсолютных суставных позиций робота. Визуальная часть использует Qwen3-VL-4B, а выходная голова — двухблочный остаточный MLP с регрессией по L1; вход состояния робота и action transformer не используются.

Чекпойнт обучен на демонстрациях из 50 задач манипуляции RoboTwin 2.0, включая чистые и рандомизированные эпизоды, и предназначен для запуска и оценки в симуляторе по контракту из 50 шагов предсказания. В README приведены результаты для лёгкого и сложного режимов, но сырые журналы запусков недоступны для независимой проверки. Доступен чекпойнт на 140 000 шаге; настроенный предел обучения составлял 150 000 шагов. Для воспроизводимости требуются те же порядок камер, соглашение абсолютных действий, нормализация и горизонт исполнения. Работа на реальном роботе и её безопасность не установлены. Лицензия в предоставленных данных не указана.

Сценарии применения

  • управление манипуляциями робота в симуляторе RoboTwin 2.0
  • предсказание суставных позиций по изображениям RGB с трёх камер
  • оценка политики на 50 задачах манипуляции RoboTwin
  • воспроизведение базового эксперимента StarVLA для RoboTwin 2.0

Ограничения

Результаты относятся только к симуляции RoboTwin 2.0 и не подтверждают работу или безопасность на реальном роботе; для воспроизведения требуются исходный порядок камер, нормализация, соглашение абсолютных действий и горизонт в 50 шагов. Агрегированные результаты нельзя независимо восстановить без журналов запусков, а доступен только чекпойнт на 140 000 шаге.

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 OFT baseline for RoboTwin 2.0

This repository provides a baseline policy for RoboTwin 2.0 trained using a minimal visual-to-action configuration.

The goal of this release is to provide a simple and reproducible baseline for RoboTwin, using:

  • RGB observations only
  • direct absolute joint prediction
  • no robot state input
  • no action transformer
  • no pretraining

Despite its simplicity, the model achieves strong performance across RoboTwin 2.0 tasks.


Model and action contract

ComponentSetting
VLMQwen3-VL-4B
Action headTwo-block residual MLP, 2,560 input / 5,120 hidden / 14 output; direct L1 regression

The policy directly maps RGB observations (head + two wrist cameras) to 14D absolute joint positions. The saved config uses a 50-step action horizon and does not enable robot-state input.

ItemValue
StarVLA frameworkQwenOFT
Base VLMQwen3-VL-4B-Instruct
Action/state dimensions14 / no state input recorded
Action modeAbsolute joint position
Action horizon50
Input resolution224 × 224
Released checkpointcheckpoints/steps_140000_pytorch_model.pt
Checkpoint formatComplete StarVLA framework state dict (.pt)

Training recipe

SettingValue
Dataset mixturerobotwin_all_50
Configured maximum steps150,000
Released step140,000
Per-device batch size4
Gradient accumulation1
Warm-up5,000 steps
Base / VLM-interface / action LR1e-5 / 1e-5 / 1e-4
freeze_modulesPackaged boolean true; the public trainer expects module paths as a string, so this value names/selects no modules
Seed42

Training dataset

The model is trained using the official RoboTwin 2.0 dataset.

The training data consists of demonstrations from 50 manipulation tasks, combining clean demonstrations and randomized demonstrations.

Clean Demonstrations

  • 50 tasks × 50 trajectories per task

Randomized Demonstrations

  • 50 tasks × 500 trajectories per task

The randomized demonstrations include environment perturbations to improve robustness.


Evaluation protocol

The model is evaluated on RoboTwin 2.0 using 50 manipulation tasks.

Each task is evaluated under two evaluation settings:

  • Easy setting
  • Hard setting

For each task and setting:

  • 100 evaluation trials are performed
  • The success rate is reported

Final results are computed as the average success rate across tasks.


Benchmark results

TaskEasyHard
stack_blocks_two1.00001.0000
place_cans_plasticbox1.00000.9900
grab_roller1.00001.0000
place_empty_cup1.00001.0000
shake_bottle_horizontally1.00001.0000
lift_pot1.00001.0000
place_burger_fries1.00001.0000
move_playingcard_away1.00000.9800
adjust_bottle1.00000.9900
shake_bottle1.00001.0000
blocks_ranking_rgb0.99000.9800
stack_bowls_two0.99001.0000
place_container_plate0.99000.9900
press_stapler0.99000.9600
place_object_stand0.99000.9800
open_laptop0.98001.0000
handover_mic0.98000.9600
move_pillbottle_pad0.98001.0000
handover_block0.97000.9300
place_shoe0.96001.0000
stack_bowls_three0.95000.9100
place_fan0.94000.9500
scan_object0.94000.9100
stack_blocks_three0.94000.8600
place_object_basket0.93000.9400
beat_block_hammer0.93000.9200
place_object_scale0.93000.9300
place_dual_shoes0.91000.8900
pick_dual_bottles0.91000.9300
place_bread_basket0.91000.7800
dump_bin_bigbin0.91000.9400
move_can_pot0.91000.9000
put_bottles_dustbin0.90000.8500
place_a2b_left0.90000.9500
place_bread_skillet0.89000.8000
put_object_cabinet0.89000.9100
place_a2b_right0.88000.9500
rotate_qrcode0.88000.9000
pick_diverse_bottles0.87000.8600
place_mouse_pad0.87000.9400
stamp_seal0.86000.9000
place_phone_stand0.86000.9500
blocks_ranking_size0.79000.8000
place_can_basket0.75000.7500
move_stapler_pad0.74000.9000
turn_switch0.65000.6200
click_alarmclock0.58000.5100
hanging_mug0.34000.2900
open_microwave0.28000.3900
click_bell0.23000.2700
Average0.88180.8832


Download and evaluation

huggingface-cli download StarVLA/Qwen3-VL-OFT-RoboTwin2-All \
  --local-dir Qwen3-VL-OFT-RoboTwin2-All

CKPT="$PWD/Qwen3-VL-OFT-RoboTwin2-All/checkpoints/steps_140000_pytorch_model.pt"
CUDA_VISIBLE_DEVICES=0 python deployment/model_server/server_policy.py \
  --ckpt_path "$CKPT" --port 5694 --use_bf16 \
  --config_override framework.qwenvl.base_vlm=Qwen/Qwen3-VL-4B-Instruct

The RoboTwin evaluator must use the saved absolute-action convention, normalization statistics, camera order, and 50-step prediction contract. See the StarVLA RoboTwin guide.

Evidence and limitations

  • Architecture and training settings were checked against config.yaml; the released 140k step was checked against the Hub file tree.
  • The benchmark table and 100-trial-per-task protocol are retained from the original Card. This repository does not include raw rollout logs, so the aggregate cannot be independently reconstructed from the Hub files alone.
  • Only the 140k weight is available; the 150k configured endpoint is not released here.
  • The policy is tied to the saved three-camera, absolute-joint and normalization contract. Different camera ordering, action mapping, chunk execution horizon, or normalization can materially change results.
  • Results cover RoboTwin 2.0 simulation only. Real-robot performance and safety are not established.

Citation

If you use this model or benchmark results in your research, please cite RoboTwin and this repository.

@article{community2026starvla,
  title         = {StarVLA: A Lego-like Codebase for Vision-Language-Action Model Developing},
  author        = {Community, StarVLA},
  journal       = {arXiv preprint arXiv:2604.05014},
  year          = {2026},
  eprint        = {2604.05014},
  archivePrefix = {arXiv},
  primaryClass  = {cs.RO}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · starVLA

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
9fae495

0 моделей