/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
smolvla_base
Библиотека
lerobot
Опубликована
9 мар 2026

smolvla-so101-pick-orange

Языковая модельИзображение, текст → action3 профессии

Дообученная SmolVLA управляет манипулятором SO101, чтобы собирать апельсины и класть их на тарелку в симуляторе Isaac Sim.

272скачиваний за 30 дней0лайковвеса обновлены5 апр 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

SmolVLA SO101 PickOrange — дообученная модель управления роботом-манипулятором SO101, опубликованная в репозитории edge-inference/smolvla-so101-pick-orange. Она предназначена для выполнения задачи в симуляторе LeIsaac на базе Isaac Sim: подобрать три апельсина со стола, положить их на тарелку и вернуть манипулятор в исходное положение.

Модель VLA объединяет визуальный энкодер ViT на основе SigLIP, языковую основу SmolLM2 и обучаемую голову эксперта действий. На вход поступают изображения с двух камер и состояние робота; система преобразует их в визуальные токены, обрабатывает языковой основой с перекрёстным вниманием и выдаёт последовательность из 50 токенов действий, декодируемых в 6D-позиции суставов. Веса модели занимают 1,2 ГБ; энкодер и языковая основа заморожены, а голова действий обучена для данной задачи.

Модель обучена на 60 симуляционных эпизодах и 36 293 кадрах, собранных телеоперацией в LeIsaac. Заявленное совпадение среды обучения и оценки упрощает проверку в целевом симуляторе, но не подтверждает перенос на физического робота или другие задачи и сцены. Для использования необходимы соответствующая среда LeIsaac и Isaac Sim. Лицензия — Apache-2.0.

Сценарии применения

  • подбор трёх апельсинов со стола манипулятором SO101
  • перекладывание апельсинов на тарелку в Isaac Sim
  • возврат манипулятора в исходное положение после выполнения задачи
  • оценка политики управления роботом в среде LeIsaac

Ограничения

Модель обучена для конкретной задачи в симуляторе LeIsaac и её перенос на физического робота, другие предметы или сцены не подтверждён. Для запуска требуются LeIsaac и Isaac Sim.

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

SmolVLA SO101 PickOrange

Fine-tuned SmolVLA policy for the SO101 robot arm performing an orange-picking task in LeIsaac (Isaac Sim).

Task

Pick three oranges from the table and place them on the plate, then reset the arm to rest state. Evaluated in the LeIsaac-SO101-PickOrange-v0 Isaac Sim environment.

Architecture

SmolVLA is a Vision-Language-Action model that combines a frozen vision encoder with a language model backbone and a lightweight action expert head.

Inference pipeline

2 camera images (480x640)
  -> resize to 512x512 with padding
  -> patchify into 16x16 patches (1024 tokens per image, 2048 total)
  -> 12-layer ViT vision encoder (bf16)
  -> project to LM hidden space
  -> 16-layer SmolLM2 backbone + 16-layer Expert (interleaved cross-attention)
  -> decode 50 action tokens -> 6D joint positions

Vision Encoder (ViT)

PropertyValue
ArchitectureVision Transformer (SigLIP-derived)
Hidden size768
Layers12
Attention heads12
Patch size16x16
Input resolution512x512
Tokens per image1024 (32x32 patches)
Precisionbfloat16
Status (training)Frozen

Text/LM Backbone (SmolLM2)

PropertyValue
ArchitectureSmolLM2 (Llama-based)
Hidden size960
Layers16 (truncated from 32)
Attention heads15
Intermediate size2560
Vocab size49,280

Action Expert Head

PropertyValue
Layers16 (matches truncated VLM)
Hidden size720 (0.75x VLM hidden)
Attention modeCross-attention (interleaved with VLM layers)
Output50 action chunks x 6D
Trainable params100M

Full Model Summary

ComponentParamsTrainablePrecision
Vision encoder (ViT)~86MFrozenbf16
LM backbone (SmolLM2)~264MFrozenbf16
Action expert head~100MYesbf16
Total450M100Mbf16

Branches

BranchTrainingBatch sizeFinal loss
mainmulti-rank, 30k steps560.019
single-ranksingle-rank, 30k steps640.008

Training

ParameterValue
DatasetLightwheelAI/leisaac-pick-orange (sim-collected)
Episodes60
Frames36,293
Steps30,000
Batch size56 effective (main) / 64 (single-rank)
Learning rate1e-4 (cosine decay with 1k warmup)
OptimizerAdamW (betas=0.9/0.95, eps=1e-8, weight_decay=1e-10)
SchedulerCosine decay, 1000 warmup steps, decay to 2.5e-6
Grad clip norm10
VLM layers16 (truncated from 32)
Vision encoderFrozen
Training modeExpert-only (train_expert_only=true)
FrameworkLeRobot v0.4.5

Usage

Serve the policy

python -m lerobot.scripts.serve \
  --policy.type=smolvla \
  --policy.pretrained_path=edge-inference/smolvla-so101-pick-orange \
  --policy.vlm_model_name=HuggingFaceTB/SmolVLM2-500M-Video-Instruct \
  --port=8080

Evaluate in Isaac Sim (requires LeIsaac + Isaac Sim)

python scripts/evaluation/policy_inference.py \
  --task=LeIsaac-SO101-PickOrange-v0 \
  --policy_type=lerobot-smolvla \
  --policy_host=localhost \
  --policy_port=8080 \
  --policy_checkpoint_path=edge-inference/smolvla-so101-pick-orange \
  --policy_action_horizon=50 \
  --policy_language_instruction="Pick up the orange and place it on the plate" \
  --eval_rounds=10 \
  --device=cuda \
  --enable_cameras

Use the single-rank branch (lower loss)

from huggingface_hub import snapshot_download
snapshot_download(
    "edge-inference/smolvla-so101-pick-orange",
    revision="single-rank",
    local_dir="./checkpoint-single-rank"
)

Dataset

The training data was collected via teleoperation inside the LeIsaac simulation (Isaac Sim), meaning there is zero visual domain gap between training and evaluation environments.

Files

  • model.safetensors -- Model weights (1.2 GB)
  • config.json -- Policy architecture config
  • train_config.json -- Full training configuration (reproducible)
  • policy_preprocessor*.json/safetensors -- Input normalization (state mean/std)
  • policy_postprocessor*.json/safetensors -- Output denormalization (action mean/std)

Как запустить

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

GPU в ailist

Универсальный рантайм · lerobot

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
71cf4a9

0 моделей