/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
imagewam_flux2 · dense
Базовая модель
FLUX.2-klein-base-4B
Библиотека
imagewam
Опубликована
16 сен 2026

ImageWAM-FLUX.2-4B

Преобразование изображенийИзображение, текст → изображение

Чекпойнт ImageWAM на базе FLUX.2 Klein 4B совместно прогнозирует будущие изображения и действия робота по наблюдениям, инструкции и проприоцепции.

48скачиваний за 30 дней0лайковвеса обновлены16 сен 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

ImageWAM-FLUX.2-4B — объединённый чекпойнт ImageWAM на основе FLUX.2 Klein 4B, обученный на InternData-A1 для последующей настройки политик роботов. Модель принимает наблюдения с камер, языковую инструкцию и проприоцептивные данные робота, а совместная архитектура Mixture-of-Transformers с видеокомпонентом FLUX.2 и ActionDiT предсказывает будущее изображение и фрагмент действий с 16-мерным представлением положения рабочего органа.

В safetensors-файле находятся видеокомпонент, ActionDiT, слои MoT, кодировщик проприоцепции и VAE. Чекпойнт предназначен прежде всего для дообучения под конкретные робототехнические задачи. Лицензия указана как other; подробные условия в предоставленных данных не описаны.

Сценарии применения

  • дообучение политики робота на собственных данных
  • прогнозирование действий манипулятора по изображению и инструкции
  • совместное предсказание будущего кадра и фрагмента действий
  • исследование моделей мира для робототехники

Ограничения

Чекпойнт рассчитан на последующее дообучение робототехнической политики, а не описан как готовая универсальная политика. Веса Qwen3 и статистики нормализации датасета не включены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ImageWAM FLUX.2 4B — InternData-A1 EE Pretrained

Model purpose and architecture

This is an ImageWAM FLUX.2 Klein 4B checkpoint pretrained on InternData-A1 with a 16-dimensional end-effector action representation. It is intended as an initialization model for downstream robot-policy fine-tuning.

ImageWAM jointly predicts a future image and a future action chunk from camera observations, a language instruction, and robot proprioception. Its FLUX.2 video expert and ActionDiT action expert interact through a Mixture-of-Transformers (MoT) architecture.

Key parameters

ItemValue
Video expertFLUX.2 Klein 4B
Action expertActionDiT
Pretraining dataInternRobotics/InternData-A1
Action dimension16
Proprioception dimension16
Maximum action horizon64
Text encoderQwen/Qwen3-4B
Text feature dimension7,680
Precisionbfloat16

Included weights

model.safetensors contains:

  • the FLUX.2 video expert;
  • the ActionDiT action expert;
  • the MoT layers;
  • the proprioception encoder; and
  • the FLUX.2 autoencoder (VAE).

Qwen3 weights, dataset normalization statistics, and optimizer state are not included.

Citation

@misc{zhang2026imagewam,
  title={ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?},
  author={Yuyang Zhang and Wenyao Zhang and Zekun Qi and He Zhang and Haitao Lin and Jingbo Zhang and Yao Mu and Xiaokang Yang and Wenjun Zeng and Xin Jin},
  year={2026},
  eprint={2606.19531},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2606.19531}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · imagewam

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
b60c1f8

0 моделей