/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
28 апр 2025

nora

Языковая модельИзображение, текст → action3 профессии

Nora — зрительно-языковая модель Declare Lab, которая преобразует английские инструкции и изображения рабочей зоны в действия роботизированного манипулятора.

449скачиваний за 30 дней13лайковвеса обновлены27 авг 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

Nora — открытая модель типа vision-language-action, разработанная Declare Lab для управления роботизированными манипуляциями. Она принимает текстовую инструкцию и изображение с камеры рабочей зоны, а затем предсказывает действия робота на основе обучающих эпизодов манипуляций из набора Open X-Embodiment.

Модель дообучена на базе Qwen 2.5 VL-3B и имеет 3,1 млрд параметров; архитектура — Qwen2.5-VL с контекстом до 128 000 токенов. Выход представляет собой нормализованные приращения 7-DoF для концевого эффектора: координаты, углы roll, pitch и yaw, а также положение захвата. Для выполнения действий на роботе требуется обратная нормализация с использованием статистик конкретной платформы и набора данных. Указан английский язык инструкций. Модель и код обучения доступны по лицензии MIT.

Сценарии применения

  • управление захватом объектов по текстовой инструкции и изображению с камеры
  • выполнение манипуляций роботом в средах BridgeData V2
  • предсказание перемещений концевого эффектора и положения захвата
  • эксперименты с управлением роботом по зрительно-языковым командам

Ограничения

Для исполнения предсказанных действий на реальной платформе требуется обратная нормализация по статистикам конкретного робота и набора данных. Описанный пример относится к средам BridgeData V2 с роботом WidowX.

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

Nora

Nora is an open vision-language-action model trained on robot manipulation episodes from the Open X-Embodiment dataset. The model takes language instructions and camera images as input and generates robot actions. Nora is trained directly from Qwen 2.5 VL-3B. All Nora checkpoints, as well as our training codebase are released under an MIT License.

Model Description

  • Model type: Vision-language-action (language, image => robot actions)
  • Language(s) (NLP): english
  • License: MIT
  • Finetuned from model : Qwen 2.5 VL-3B

Model Sources

Usage

Nora take a language instruction and a camera image of a robot workspace as input, and predict (normalized) robot actions consisting of 7-DoF end-effector deltas of the form (x, y, z, roll, pitch, yaw, gripper). To execute on an actual robot platform, actions need to be un-normalized subject to statistics computed on a per-robot, per-dataset basis.

Getting Started For Inference

To get started with loading and running Nora for inference, we provide a lightweight interface that with minimal dependencies.

git clone https://github.com/declare-lab/nora
cd inference
pip install -r requirements.txt

For example, to load Nora for zero-shot instruction following in the BridgeData V2 environments with a WidowX robot:


# Load VLA
from inference.nora import Nora
nora = Nora(device='cuda')

# Get Inputs
image: Image.Image = camera(...)
instruction: str = <INSTRUCTION>
# Predict Action (7-DoF; un-normalize for BridgeData V2)
actions = nora.inference(
    image=image,  # Dummy image
    instruction=instruction,
    unnorm_key='bridge_orig'  # Optional, specify if needed
)
# Execute...
robot.act(action, ...)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
3f373ef

0 моделей