/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
Apache 2.0
Архитектура
openvla · dense
Базовая модель
openvla-7b
Опубликована
16 дек 2024

Emma-X

Изображение и текст → текст3 профессии

Emma-X — дообученная на BridgeV2 модель vision-language-action для планирования и управления роботизированными манипуляциями по изображению и англоязычной инструкции.

102скачиваний за 30 дней10лайковвеса обновлены27 янв 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

Emma-X — модель vision-language-action, разработанная лабораторией SUTD Declare Lab для управления роботами-манипуляторами по изображениям рабочей зоны и текстовым инструкциям. Модель дообучена на OpenVLA 7B и предназначена для планирования и выполнения манипуляций в разных средах, с разными объектами и формулировками задач.

Emma-X использует визуально обоснованную пошаговую декомпозицию, сегментацию траектории и пространственное планирование с учётом ориентиров на будущее. Она выдаёт рассуждение, точку захвата или другое положение захвата на изображении и политику действий в виде 7-мерного вектора для робота WidowX с 6 степенями свободы. Для обучения использован набор примерно из 60 тысяч траекторий манипуляций на основе BridgeV2, дополненный визуально обоснованными цепочками рассуждений. Модель рассчитана на англоязычные инструкции и изображения; лицензия — Apache-2.0.

Сценарии применения

  • выполнение инструкций по перемещению и размещению предметов роботом
  • планирование многошаговых манипуляций с предметами
  • выбор точки захвата объекта на изображении
  • генерация управляющих действий для манипулятора WidowX

Ограничения

Модель ориентирована на манипулятор WidowX с 6 степенями свободы и выдаёт действия в 7-мерном формате; перенос на другие платформы или схемы управления не подтверждён. Инструкции рассчитаны на английский язык.

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

arXiv Emma-X Static Badge

Model Overview

EMMA-X is an Embodied Multimodal Action (VLA) Model designed to bridge the gap between Visual-Language Models (VLMs) and robotic control tasks. EMMA-X generalizes effectively across diverse environments, objects, and instructions while excelling at long-horizon spatial reasoning and grounded task planning using a novel Trajectory Segmentation Strategy. It relies on --

  • Hierarchical Embodiment Dataset: Emma-X is trained on a dataset derived from BridgeV2, containing 60,000 robot manipulation trajectories. Trained using a hierarchical dataset with visual grounded chain-of-thought reasoning, EMMA-X's output will include the following components:

  • Grounded Chain-of-Thought Reasoning: Helps break down tasks into smaller, manageable subtasks, ensuring accurate task execution by mitigating hallucination in reasoning.

  • Gripper Position Guidance: Affordance point inside the image.

  • Look-Ahead Spatial Reasoning: Enables the model to plan actions while considering spatial guidance for effective planning, enhancing long-horizon task performance.

It generates:

  • Action: Action policy in 7-dimensional vector to control the robot (WidowX-6Dof).

Model Card

Getting Started

# Install minimal dependencies (`torch`, `transformers`, `timm`, `tokenizers`, ...)
# > pip install -r https://raw.githubusercontent.com/openvla/openvla/main/requirements-min.txt
from transformers import AutoModelForVision2Seq, AutoProcessor
from PIL import Image

import torch

task_label = "put carrot in pot" # Change your desired task label
image: Image.Image = get_from_camera(...)

# Load Emma-X
vla = AutoModelForVision2Seq.from_pretrained(
    "declare-lab/Emma-X",
    attn_implementation="flash_attention_2",  # [Optional] Requires `flash_attn`
    torch_dtype=torch.bfloat16, 
    low_cpu_mem_usage=True, 
    trust_remote_code=True
).to("cuda:0")
processor = AutoProcessor.from_pretrained("declare-lab/Emma-X", trust_remote_code=True)

prompt, image = processor.get_prompt(task_label, image)
inputs = processor(prompt, image).to("cuda:0", dtype=torch.bfloat16)
# Predict Action (action is a 7 dimensional vector to control the robot)
action, reasoning = vla.generate_actions(inputs, processor.tokenizer, do_sample=False, max_new_tokens=512)
print("action", action)

# Execute...
robot.act(action, ...)

Citation

@article{sun2024emma,
  title={Emma-X: An Embodied Multimodal Action Model with Grounded Chain of Thought and Look-ahead Spatial Reasoning},
  author={Sun, Qi and Hong, Pengfei and Pala, Tej Deep and Toh, Vernon and Tan, U-Xuan and Ghosal, Deepanway and Poria, Soujanya},
  journal={arXiv preprint arXiv:2412.11974},
  year={2024}
}

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
Emma-X
Ревизия весов
e4b3b79

0 моделей