/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
MIT
Архитектура
openvla · dense
Базовая модель
Qwen2.5-0.5B
Опубликована
21 сен 2025

LIBERO-Spatial-Pro

Изображение и текст → текст3 профессии

Дообученная визуально-языковая модель управления роботом, которая преобразует изображение и текстовую инструкцию в действия для задач LIBERO-Spatial.

224скачиваний за 30 дней6лайковвеса обновлены21 сен 2025

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

VLA-Adapter/LIBERO-Spatial-Pro — дообученная модель Vision-Language-Action от команды VLA-Adapter для управления роботом в задачах бенчмарка LIBERO-Spatial. Архитектура сочетает визуально-языковую модель на основе Prismatic-VLM с языковым бэкбоном Qwen2.5-0.5B и политикой генерации действий; модуль Bridge Attention связывает условия, извлечённые из изображения и текста, с представлением действия. Модель принимает изображения и текстовые инструкции, а выдаёт действия робота.

Модель предназначена для выполнения пространственных робототехнических задач и оценки политик управления на LIBERO-Spatial. Авторы сообщают о результатах выше ряда открытых VLA-моделей с более крупными бэкбонами на распространённых робототехнических бенчмарках; приведённые в карточке таблицы результатов опущены, поэтому конкретные значения проверить нельзя. В метаданных указана лицензия MIT. Базовая языковая модель содержит около 494 млн параметров; общий размер данной модели не приведён.

Сценарии применения

  • управление роботом по текстовой инструкции и изображению сцены
  • выполнение пространственных манипуляций в среде LIBERO-Spatial
  • оценка политик управления роботом на бенчмарке LIBERO
  • исследование компактных Vision-Language-Action моделей

Ограничения

Модель ориентирована на сценарии и бенчмарк LIBERO-Spatial; карточка не приводит конкретные значения результатов, поэтому заявленные сравнения нельзя оценить по ней. Общий размер модели и подробности условий реального робототехнического применения не указаны.

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

Model Card for VLA-Adapter Libero-Spatial-Pro

VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Model trained on Libero-Spatial.

Model Details

We have developed and released the VLA-Adapter family of VLA models, a series of fine-tuned generative action models. The VLA-Adapter VLM follows the Prismatic-VLM architecture, using only a very small backbone (Qwen2.5-0.5B) for the LLM. On common robotics benchmarks, it surpasses open-source VLA models with 8.5B, 7B, 4B, 3B, and 2B backbones.

Input: Models input image and text.

Output: Models generate action only.

Model Architecture: The VLA-Adapter consists of a VLM for receiving and processing image and text information and a policy for generating actions. We systematically analyzed the benefits that the VLM provides to different types of policy conditions and determined a unified framework. We then utilized our designed Bridge Attention module to fuse the conditions generated by the VLM with the initial action information in the policy, bridging the gap between VL and A to the greatest extent possible. This resulted in a high-performance VLA model on a tiny-scale backbone.

Success Rate Comparison

Citation instructions

@article{wang2025vlaadapter,
  author={Wang, Yihao and Ding, Pengxiang and Li, Lingxiao and Cui, Can and Ge, Zirui and Tong, Xinyang and Song, Wenxuan and Zhao, Han and Zhao, Wei and Hou, Pengxu and Huang, Siteng and Tang, Yifan and Wang, Wenhui and Zhang, Ru and Liu, Jianyi and Wang, Donglin},
  title={VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Model},
  journal={arXiv preprint arXiv:2509.09372},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
cb023c6

0 моделей