/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
23 июл 2026

lingbot-va-mot-posttrain-libero-goal-gradaccum43

Языковая модельИзображение, текст → action

Дообученная LingBot-VA-MoT для управления роботом по текстовым инструкциям в задачах LIBERO-Goal.

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

Это полноразмерное дообучение модели LingBot-VA-MoT, разработанной на базе архитектуры Mixture-of-Transformers из репозитория joliachen/lingbot-va. Чекпойнт обучен после предобучения для выполнения задач LIBERO-Goal по исходным текстовым инструкциям и предназначен для управления роботом в замкнутом цикле. В README приведены результаты для части задач: успешное выполнение 9 из 10 эпизодов открытия среднего ящика шкафа, 10 из 10 эпизодов перемещения миски на плиту и 9 из 10 эпизодов размещения бутылки на шкафу.

Модель совместно обрабатывает видеопоток и поток действий; ширина потока действий равна ширине видеопотока — 3072. В репозитории находятся только дообученные веса трансформера. Для самостоятельного запуска также нужны неизменённые текстовый энкодер UMT5-XXL, токенизатор и VAE Wan2.1, доступные в базовом репозитории или в публичном релизе Wan2.1. Указана лицензия other; конкретные условия следует сверить с лицензией репозитория и зависимостей.

Сценарии применения

  • Открытие ящика шкафа по текстовой инструкции
  • Размещение миски на плите
  • Установка бутылки на шкаф
  • Выполнение задач LIBERO-Goal в замкнутом цикле управления

Ограничения

Чекпойнт содержит только веса трансформера и для запуска требует текстовый энкодер UMT5-XXL, токенизатор и VAE Wan2.1. Приведённые метрики относятся к LIBERO-Goal и не подтверждают качество на других задачах или в реальной среде.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

lingbot-va-mot-posttrain-libero-goal-gradaccum43

Full-parameter post-train of lingbot-va-mot on the LIBERO-Goal benchmark (10 tasks, original prompts). Base architecture is the Mixture-of-Transformers (MoT) video-action model from joliachen/lingbot-va (model_mot.py).

Training config

base checkpointcheckpoints/lingbot-va-mot
datasetLIBERO-Goal (data/libero_goal_lerobot)
freeze_backboneFalse — full-parameter fine-tune, all 10.0B params (30-layer video stream + action stream + embedders/heads)
steps4000
learning rate1e-5
world size2 GPUs
gradient_accumulation_steps43 (effective batch = 2 × 43 = 86)
attn_window72
frame_chunk_size4
guidance_scale / action_guidance_scale5.0 / 1.0
num_inference_steps / action_num_inference_steps25 / 50
snr_shift / action_snr_shift5.0 / 0.05
action representation30-dim padded vector; native 7-dim LIBERO OSC action (xyz + euler + gripper) in slots 0–6, rest zero-padded
observation camerasagentview_rgb, eye_in_hand_rgb

Architecture note: action stream width

This checkpoint (and its lingbot-va-mot base) uses a no-bottleneck MoT design: the action stream runs at the full video-stream width d_v = 3072 end-to-end (action_embedder: Linear(30 → 3072), action_proj_out: Linear(3072 → 30), and every per-block action module — action_attn1/2, action_ffn, action_norm2, action_scale_shift_table — is shape-identical to its video-stream counterpart). This differs from the lingbot-va paper, which describes the action stream operating through a narrower 768-dim bottleneck (30 → 768 → … → 768 → 30) rather than the full 3072-dim width used here. See lingbot-va-mot's model card for how these action-stream weights were initialized before this fine-tune.

LIBERO-Goal closed-loop evaluation (checkpoint step 4000)

10 episodes/task, closed-loop rollout in the LIBERO-Goal env:

TaskSuccess
open the middle drawer of the cabinet9/10
put the bowl on the stove10/10
put the wine bottle on top of the cabinet9/10
open the top drawer and put the bowl inside10/10
put the bowl on top of the cabinet8/10
push the plate to the front of the stove10/10
put the cream cheese in the bowl10/10
turn on the stove10/10
put the bowl on the plate10/10
put the wine bottle on the rack10/10
Total96/100 (96.0%)

Repo contents

Only transformer/ (the fine-tuned weights) is included here. The original checkpoint directory also symlinks text_encoder/ (google/umt5-xxl), tokenizer/, and vae/ (Wan2.1 AutoencoderKLWan) from the shared base checkpoint — those are unchanged stock components and are not duplicated in this repo. Load them from ZhuoranChen/lingbot-va-mot or the public Wan2.1 release when using this checkpoint standalone.

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
bab05e1

0 моделей