/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Библиотека
transformers
Опубликована
20 дек 2025

openvla-7b-finetuned-vla-arena

Изображение и текст → текст3 профессии

Производная модели VLA-Arena/openvla-7b-oft-finetuned-vla-arena. Дообученная OpenVLA 7B модель принимает изображение и текстовую команду и предсказывает действия робота для манипуляционных задач.

73скачиваний за 30 дней0лайковвеса обновлены24 фев 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

Карточка модели VLA-Arena/openvla-7b-finetuned-vla-arena на Hugging Face совпадает с карточкой VLA-Arena/openvla-7b-oft-finetuned-vla-arena, поэтому описание составлено по ней.

Это дообученная с помощью LoRA модель OpenVLA на 7 млрд параметров, созданная для задач управления роботом по изображению и текстовой команде. В основе языковой части лежит Llama 2 7B, а для обработки изображений используется SigLIP; модель предсказывает дискретизированные токены, соответствующие непрерывным действиям с 7 степенями свободы.

Модель обучена на демонстрациях манипуляционных задач VLA-Arena уровня L0 и предназначена для оценки следования командам, работы с помехами, обобщения на новые ситуации, соблюдения ограничений безопасности и выполнения многошаговых сценариев. Её можно использовать как базовую политику для экспериментов и тестирования в экосистеме VLA-Arena. Репозиторий содержит веса safetensors; лицензия — MIT.

Сценарии применения

  • управление манипулятором по изображению и текстовой инструкции
  • выполнение базовых задач манипуляции уровня L0
  • оценка обобщения роботизированной политики на новые ситуации
  • проверка следования ограничениям безопасности при управлении роботом
  • тестирование многошаговых роботизированных сценариев в VLA-Arena

Ограничения

Обучение описано на демонстрациях задач уровня L0, поэтому перенос на более сложные уровни L1–L2 и реальные условия может быть ограничен. Для работы требуется базовая модель OpenVLA и совместимая среда выполнения; метаданные каталога указывают на базовую задачу image-text-to-text.

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

OpenVLA (VLA-Arena Fine-tuned)

About VLA-Arena

VLA-Arena is a comprehensive benchmark designed to quantitatively understand the limits and failure modes of Vision-Language-Action (VLA) models. While VLAs are advancing towards generalist robot policies, measuring their true capability frontiers remains challenging. VLA-Arena addresses this by proposing a novel structured task design framework that quantifies difficulty across three orthogonal axes:

  1. Task Structure: 170+ tasks grouped into four key dimensions:
    • Safety: Operating reliably under strict constraints.
    • Distractor: Handling environmental unpredictability.
    • Extrapolation: Generalizing to unseen scenarios.
    • Long Horizon: Executing complex, multi-step tasks.
  2. Language Command: Variations in instruction complexity.
  3. Visual Observation: Perturbations in visual input.

Tasks are designed with hierarchical difficulty levels (L0-L2). In this benchmark setting, fine-tuning is typically performed on L0 tasks to assess the model's ability to generalize to higher difficulty levels and strictly follow safety constraints.

Model Overview

The model is OpenVLA (7B), explicitly fine-tuned on demonstration data generated from VLA-Arena. It serves as a strong generalist baseline, leveraging the pre-trained knowledge of the original OpenVLA architecture while adapting to the specific safety and manipulation requirements of the benchmark.

This checkpoint was trained using Low-Rank Adaptation (LoRA) to efficiently adapt the large language backbone without full-parameter fine-tuning.


Model Architecture

OpenVLA builds upon a strong Vision-Language Model backbone, directly tokenizing robotic actions into the language model's vocabulary.

ComponentDescription
BackboneLlama 2 7B (Language) + SigLIP (Vision)
Action Space7-DoF continuous control (Discretized into tokens)
Adaptation StrategyLoRA (Rank $r=32$)
QuantizationNone (Full precision loading during LoRA training)

Key Feature: Direct Action Prediction

OpenVLA treats robot actions as just another "language," allowing the model to utilize the massive reasoning capabilities of the Llama 2 backbone to plan and execute motion sequences based on visual inputs and textual instructions.


Training Details

Dataset

This model was trained on the VLA-Arena/VLA_Arena_L0_L_rlds dataset. The data consists of diverse robotic manipulation demonstrations covering the foundational L0 tasks of the arena.

Hyperparameters

The model was fine-tuned using LoRA on an 8-GPU cluster. Image augmentation was enabled to improve robustness against visual distractors.

ParameterValue
Max Training Steps200,000
Global Batch Size128 (16 per device $\times$ 8 GPUs)
OptimizerAdamW
Learning Rate ($\eta$)$5.0 \times 10^{-4}$
Shuffle Buffer Size100,000
Image AugmentationEnabled (TRUE)

LoRA Configuration

Unlike some lighter adaptations, this training run utilized a moderate rank without quantization to preserve model fidelity.

ParameterValue
LoRA Rank ($r$)32
LoRA Dropout0
4-bit QuantizationDisabled (FALSE)

Evaluation & Usage

This model is designed to be evaluated within the VLA-Arena benchmark ecosystem. It has been tested across 11 specialized suites with difficulty levels ranging from L0 (Basic) to L2 (Advanced).

For detailed evaluation instructions, metrics, and scripts, please refer to the VLA-Arena repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
779caf6

0 моделей