/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Базовая модель
openvla-7b
Опубликована
2 авг 2026

openvla-7b-libero-spatial-lora

Изображение и текст → текст

Экспериментальный LoRA-адаптер OpenVLA-7B для предсказания действий робота-манипулятора по изображениям и инструкциям в задачах LIBERO-Spatial.

18скачиваний за 30 дней0лайковвеса обновлены2 авг 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 экспериментальный адаптер LoRA для OpenVLA-7B, созданный автором репозитория для изучения и воспроизводимости процесса дообучения. Модель обучали 2000 шагов на наборе LIBERO-Spatial; LoRA с рангом 32 содержит около 110,8 млн обучаемых параметров, или 1,45% от 7,65 млрд параметров базовой модели. Репозиторий опубликован в формате safetensors под лицензией MIT.

Модель принимает изображения рабочей зоны и инструкции на естественном языке, чтобы предсказывать действия робота-манипулятора в задачах пространственного взаимодействия, например при перемещении объектов. В опубликованной оценке на LIBERO-Spatial она достигла успешности 8,3% (2 из 24 эпизодов); оба успеха пришлись на одну задачу, а семь других проверенных задач получили 0 из 3. Автор связывает низкий результат с коротким обучением и несогласованной предобработкой изображений. Чекпойнт предназначен для изучения и воспроизведения процесса, а не для практического управления роботом.

Сценарии применения

  • воспроизведение процесса дообучения OpenVLA на LIBERO-Spatial
  • изучение предсказания действий робота-манипулятора по изображению и инструкции
  • эксперименты с управлением захватом и перемещением объектов

Ограничения

На оценке LIBERO-Spatial успешность составила 8,3% (2 из 24 эпизодов), причем успехи были только в одной задаче; автор не рекомендует чекпойнт для практического применения. Короткое обучение, различия в аугментации изображений и перезапуск обучения без сохранения состояния оптимизатора могли ухудшить результат.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

OpenVLA-7B LoRA · LIBERO-Spatial (2000 steps, study project)

LoRA fine-tune of openvla/openvla-7b on the LIBERO-Spatial suite (libero_spatial_no_noops from openvla/modified_libero_rlds).

⚠️ This is a learning-project checkpoint, not a strong model. It was trained for only 2000 steps under a deliberately cost-constrained setup, and evaluates far below the official openvla/openvla-7b-finetuned-libero-spatial (~84.7%). It is published for reproducibility of the process, not for use. Numbers and the reasons behind them are stated honestly below.

Setup

Baseopenvla/openvla-7b
MethodLoRA r=32, dropout 0.0, lr 5e-4 (constant), effective batch 16 (8 × grad-accum 2)
Trainable params110,828,288 / 7,652,065,472 = 1.45%
Hardware1× A100-SXM4-80GB, ~40GB VRAM, ~5.5–6.5 s/step
Steps2000 total = 1000 with image_aug=True, then 1000 continued from the merged step-1000 checkpoint with image_aug=False
CheckpointLoRA merged into base; includes dataset_statistics.json for action un-normalization

Revision step1000 holds the intermediate 1000-step (with-aug) checkpoint.

Evaluation

Official harness experiments/robot/libero/run_libero_eval.py, LIBERO-Spatial, seed 7, MUJOCO_GL=egl, --center_crop False (matching the no-aug final training stage).

ModelSuccess rateEpisodes
Official openvla-7b-finetuned-libero-spatial84.9%62/73 (own reproduction; paper reports 84.7%)
This checkpoint (2000 steps)8.3%2/24 (8 of 10 tasks × 3; stopped early)

All successes came from a single task (pick up the black bowl on the cookie box, 2/3); the other seven tasks scored 0/3. LIBERO-Spatial keeps the object fixed and varies its placement, so this looks like 2000 steps memorizing one spatial configuration rather than learning a general locate → grasp → place policy.

Why it underperforms (honest post-mortem)

  1. Only 2000 steps. Training was stopped at a loss plateau to stay inside a small budget; the official checkpoint is trained far longer.
  2. Mixed preprocessing. First 1000 steps used image augmentation, the last 1000 did not, so the model saw inconsistent inputs and neither center_crop setting at eval matches cleanly.
  3. Merge-and-restart lost optimizer state. To work around a CPU-side data-pipeline bottleneck, the step-1000 LoRA was merged and a fresh LoRA started, discarding Adam momentum; with a constant lr of 5e-4 the loss then oscillated on a plateau (~2.4–3.0) rather than continuing to descend.

What to do differently: keep image_aug=True throughout (parallelize the data pipeline or use multiple GPUs to absorb the cost), run one continuous training job without merge-restarts, and train until the loss genuinely converges rather than stopping at the first plateau.

Usage

from transformers import AutoModelForVision2Seq, AutoProcessor

processor = AutoProcessor.from_pretrained("duanxingjuan/openvla-7b-libero-spatial-lora", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained(
    "duanxingjuan/openvla-7b-libero-spatial-lora",
    torch_dtype="bfloat16", trust_remote_code=True,
).to("cuda")

action = vla.predict_action(**inputs, unnorm_key="libero_spatial_no_noops", do_sample=False)

Not an official OpenVLA release. Part of a personal OpenVLA study repo.

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
OpenVLAForActionPrediction
Ревизия весов
fc0d487

0 моделей