/ Модель

Характеристики

Базовая модель
smolvla_base
Библиотека
lerobot
Опубликована
24 июл 2026

smolvla-cucumber-grab-place-peel-doris072426

Языковая модельИзображение, текст → action3 профессии

Дообученная SmolVLA управляет манипулятором SO-101 по изображениям, состоянию робота и языковым инструкциям для захвата, размещения и очистки огурца.

42скачиваний за 30 дней0лайковвеса обновлены25 июл 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

Vibe Data Studio создала SmolVLA policy для управления роботом при работе с огурцом. Модель дообучена от lerobot/smolvla_base на 653 эпизодах телеуправления, охватывающих захват огурца, его размещение на разделочной доске и очистку кожуры. Используется архитектура SmolVLA: замороженный VLM-компонент и обученный эксперт; всего 450 млн параметров, из которых обучались 100 млн.

Модель принимает изображения с трёх камер, состояние 7-мерного манипулятора SO-101 и языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Инструкции и обучающие демонстрации ориентированы на конкретную установку, камеры и описанные движения. README приводит офлайн-сравнение двух вариантов обучения, но не заявляет об оценке успешности выполнения задач в реальном роботе. Сведения о лицензии в предоставленных материалах отсутствуют.

Сценарии применения

  • захват огурца манипулятором рядом с одним из его концов
  • размещение огурца по центру разделочной доски
  • выравнивание огурца вертикально относительно изображения
  • очистка кожуры несколькими движениями вдоль огурца

Ограничения

Обучение проведено на конкретной установке SO-101, её камерах и 653 эпизодах задач с огурцом, поэтому применимость к другим роботам и сценариям не подтверждена. В предоставленных материалах не указаны лицензия и результаты проверки успешности выполнения на реальном роботе.

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

smolvla-cucumber-grab-place-peel-doris072426

SmolVLA policy for the cucumber grab → place → peel pipeline, fine-tuned from lerobot/smolvla_base on 653 teleop episodes. Trained 2026-07-24 via Vibe Data Studio.

At a glance

ArchitectureSmolVLA (VLM frozen, expert trained — 100M trainable / 450M total)
Datasetcucumber-grab-place-peel-doris072326-v1-flat @ b57da261
Scale653 episodes · 86,156 frames @ 20 fps (~14.9 epochs)
Steps / batch / seed40,000 / 32 / 42
Learning rate1e-4 (SmolVLA preset; cosine decay to 2.5e-6 over 30k, 1k warmup)
lerobot30da8e68 (fleet pin)
Final train loss0.041

Tasks

Language-conditioned — pass one of these instructions at inference:

InstructionEpisodes
place the cucumber on the middle of the cutting board, aligned vertically in the image, with the back end of the cucumber under the blue gripper264
grab the cucumber close to one of the cucumber's end201
peel the skin of the cucumber with several strokes, starting close to the blue gripper and moving vertically along the cucumber toward the robot origin188

Rig

  • Robot: SO-101 follower arm + tilt platform — 7-dim action/state: shoulder_pan, shoulder_lift, elbow_flex, wrist_flex, wrist_roll, gripper, tilt (positions)
  • Cameras (three, 640×480 @ 20 fps): base → camera1, top → camera2, wrist → camera3 (rename applied at training; feed the same mapping at inference)
  • Recorded on: mixed-rig corpus — jetson1 + vibepi (see the per-source breakdown under Data provenance)

Variants in this repo

Two matched trainings of the same data, seed, and step count — a controlled A/B of the pod-side video preprocess (512px H.264 re-encode before training):

BranchData pipelineGPUDurationFinal lossW&B
baseline-av1-a100original AV1 640×480A100-SXM4-80GB9h 45m0.041vds33-35787d3c
preprocess-512-3090 (= main)H.264 512×384 (pod transcode)RTX 30908h 22m0.041pod-doris0724-27bc4f

Paired offline eval (61 shared 50-step windows, original-resolution observations): the two models agree with each other (2.01 MAE, normalized units) more closely than either matches the demonstrations (2.37 / 2.51) — same policy within training noise; the re-encode is training-neutral by all offline measures.

Data provenance

Episodes per task per recording rig (computed by walking the nested collection manifests down to leaf recorded datasets and mapping each kept episode to its source):

Taskjetson1vibepiTotal
grab142¹59201
place20064264
peel11771188
Total459194653

¹ includes 37 episodes from eval_jetson1-062426-grab-doris — an eval-session dataset recorded on jetson1, folded into the DAgger training corpus.

Materialized collection cucumber-grab-place-peel-doris072326@v1 (frozen 2026-07-24, concat of three trimmed DAgger datasets, revisions pinned; leaf recordings and their rigs resolved by walking the nested meta/vibedata/collection.json manifests):

  • cucumber-grab-DAgger-iter4-v3-trim @ ffa83450 (201 eps) ← jetson1-062626-grab-doris-task-unified, cucumber-subtask-grab-DAgger-iter2-task-unified_aux (06-29), vibepi-grab-f/-r-doris071526 (07-15)
  • cucumber-place-DAgger-iter4-doris072326-v2-trim @ 294c8a6f (264 eps) ← place-DAgger-iter2 (07-09), jetson1-071426-place-doris/-r (07-14), vibepi-place-f/-r-doris072326 (07-23)
  • cucumber-peel-DAgger-iter2-v2-trim @ 5432cb8d (188 eps) ← peel-DAgger-iter0 (07-17), jetson1-peel[-adaptive]-doris072026 (07-20), vibepi-peel[-adaptive]-doris0721/2226 (07-21/22)
lerobot-train --policy.path=lerobot/smolvla_base \
  --policy.repo_id=VibeCuisine/smolvla-cucumber-grab-place-peel-doris072426 \
  --dataset.repo_id=VibeCuisine/cucumber-grab-place-peel-doris072326-v1-flat \
  --dataset.revision=b57da261ce402b79294e5c8a02117671327778ea \
  --batch_size=32 --steps=40000 --policy.device=cuda --seed=42 \
  --rename_map='{"observation.images.base": "observation.images.camera1",
                 "observation.images.top": "observation.images.camera2",
                 "observation.images.wrist": "observation.images.camera3"}'

--num_workers is appended host-side (clamped to the pod's allocation). The preprocess-512-3090 variant additionally ran the Studio pod video preprocess (dataset transcoded on-pod to width-512 H.264, --dataset.root pointed at the local copy) — nothing differs in the training flags.


Card backported by Vibe Data Studio · run 33 (baseline) + pod-doris0724-27bc4f (preprocess) · 2026-07-25

Как запустить

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

GPU в ailist

Универсальный рантайм · lerobot

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
53afee8

0 моделей