/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
24 июл 2026

lingbot-va-mot

Языковая модельИзображение, текст → action

Преобразованный 10-миллиардный чекпойнт lingbot-va для задач робототехники, связывающих видео и действия.

0скачиваний за 30 дней0лайковвеса обновлены24 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

lingbot-va-mot — преобразованный чекпойнт для архитектуры WanMoTTransformer3DModel, разработанной в проекте lingbot-va. Это Mixture-of-Transformers для совместной обработки видео и действий, содержащая 10 млрд параметров; модель не дообучалась после преобразования. Она предназначена для задач робототехники, где требуется связать видеопредставления с потоками действий. Архитектура включает 30 трансформерных блоков и два потока полной ширины 3072 измерения; поток действий занимает около половины параметров. Веса ряда модулей потока действий скопированы из видеопотока, а остальные соответствующие модули сохранены из исходного чекпойнта.

В репозитории находятся веса в формате safetensors, текстовый энкодер google/umt5-xxl и VAE Wan2.1. Карточка отмечает отклонение от описанной в статье архитектуры: здесь для потока действий используется ширина 3072 вместо узкого 768-мерного bottleneck. Лицензия указана как other, поэтому условия использования следует сверять с файлами репозитория. README упоминает отдельную производную модель, дообученную для LIBERO-Goal, но этот чекпойнт сам по себе не проходил такое дообучение.

Сценарии применения

  • сопоставление видеопотока с потоком действий робота
  • исследование мультимодальных архитектур video-language-action
  • использование в качестве основы для дообучения на задачах управления роботом

Ограничения

Чекпойнт не проходил постобучение для LIBERO-Goal; README указывает, что ширина потока действий отличается от описанной в статье и равна 3072 вместо 768. Условия лицензии обозначены как other, поэтому перед использованием нужно проверить лицензионные файлы репозитория.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

lingbot-va-mot

Converted, not fine-tuned, base checkpoint for WanMoTTransformer3DModel — the Mixture-of-Transformers (MoT) video-action architecture from joliachen/lingbot-va (model_mot.py). 10.0B total parameters. Produced from the shared-backbone lingbot-va-base (WanTransformer3DModel) checkpoint via convert_to_mot.py.

A fine-tuned derivative of this checkpoint (LIBERO-Goal post-train) is available at ZhuoranChen/lingbot-va-mot-posttrain-libero-goal-gradaccum43.

How the action-stream weights were initialized

The action stream is losslessly cloned from the corresponding video-stream weights at conversion time — no interpolation, no random initialization, no dimension change (both streams are the same width, see below):

video-stream sourceaction-stream target
blocks.N.attn1.*blocks.N.action_attn1.*
blocks.N.attn2.*blocks.N.action_attn2.*
blocks.N.norm2.*blocks.N.action_norm2.*
blocks.N.ffn.*blocks.N.action_ffn.*
blocks.N.scale_shift_tableblocks.N.action_scale_shift_table
top-level scale_shift_tableaction_scale_shift_table_final

applied identically for all 30 transformer blocks. action_embedder, action_proj_out, and condition_embedder_action.* were already present in the base checkpoint and are kept as-is (not cloned). patch_embedding.* from the base checkpoint is dropped (unused by the MoT model). At this conversion step — before any post-training — the action stream is a byte-identical copy of the video stream; the two only diverge once fine-tuning starts.

Architecture: 3072-dim action stream, not 768 (deviation from the lingbot-va paper)

The lingbot-va paper describes the action stream operating through a narrower 768-dim bottleneck (raw 30-dim action → 768 → … → 768 → 30). This checkpoint's architecture has no such bottleneck: the action stream runs at the full video-stream width, d_v = 3072, throughout:

  • action_embedder: Linear(30 → 3072) (weight shape [3072, 30])
  • action_proj_out: Linear(3072 → 30) (weight shape [30, 3072])
  • condition_embedder_action.* (text/time embedders, time projection): all at 3072, shape-parallel to the video-stream condition_embedder
  • every per-block action module (action_attn1/2, action_norm2, action_ffn, action_scale_shift_table) is shape-identical to its video-stream counterpart at 3072

Net effect: the action stream holds ~5.0B of the model's 10.0B params — full width/capacity parity with the video stream, rather than the paper's narrower 768-dim bottleneck design.

Config

num_layers30
num_attention_heads / attention_head_dim24 / 128 (→ d_v = 3072)
in_channels / out_channels (video, patchified)48 / 48
action_dim30
text_dim4096
ffn_dim14336
attn_modeflex (train/eval), torch also supported for inference

Repo contents

Full standalone layout, ready to load directly:

  • transformer/ — this checkpoint's 10.0B-param MoT weights
  • text_encoder/ — google/umt5-xxl (stock, unmodified)
  • tokenizer/ — matching T5 tokenizer
  • vae/ — Wan2.1 AutoencoderKLWan (stock, unmodified)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
ce760e5

0 моделей