/ Модель

Характеристики

Размер весов
12,6 ГБ
Лицензия
Своя лицензия
Архитектура
Gr00tN1d7 · dense
Базовая модель
GR00T-N1.7-3B
Опубликована
22 июл 2026

GR00T-N1.7-3B-Pick-Banana-v2

Языковая модельИзображение, текст → action

Дообученная VLA-модель NVIDIA GR00T для захвата и перемещения фруктов манипулятором SO-ARM 101.

9скачиваний за 30 дней0лайковвеса обновлены22 июл 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

hi-space разработала GR00T-N1.7-3B-Pick-Banana-v2 — дообученную модель vision-language-action на базе nvidia/GR00T-N1.7-3B для манипуляций роботом SO-ARM 101. Она предназначена для захвата и перемещения фруктов в условиях, соответствующих обучающему датасету jinseonylee/SO101_PickAndPlace_Fruit.

Модель семейства Gr00tN1d7 сочетает визуально-языковую основу Cosmos-Reason2-2B на базе Qwen и diffusion policy для генерации действий. На вход поступают изображения с фронтальной и кистевой камер, описание задачи на естественном языке, положения суставов руки и состояние захвата; модель выдаёт последовательности управляющих действий с горизонтом 16 шагов. При дообучении обновлялись diffusion-модель и проектор, а визуальный энкодер и языковая основа оставались замороженными. Чекпойнт сохранён в формате safetensors, тип данных — bfloat16.

Модель рассчитана на конкретную задачу выбора и перемещения фруктов и не гарантирует перенос на другие сцены, объекты или аппаратные платформы без дополнительного дообучения. Лицензия указана как other; конкретные условия следует проверить в карточке модели.

Сценарии применения

  • захват банана манипулятором SO-ARM 101
  • перемещение фруктов в заданное место
  • управление роботом по изображению и текстовому описанию задачи

Ограничения

Модель предназначена для условий задачи и аппаратной конфигурации, близких к обучающему датасету; перенос на другие сцены, объекты и роботов не гарантирован без дообучения. Конкретные условия лицензии типа other нужно уточнить в карточке модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GR00T-N1.7-3B-Pick-Banana-v2

A fine-tuned version of nvidia/GR00T-N1.7-3B for fruit pick-and-place on a SO-ARM 101, trained on the jinseonylee/SO101_PickAndPlace_Fruit dataset.

Model Description

GR00T-N1.7 (Gr00tN1d7) is a vision-language-action (VLA) model for robot manipulation. This checkpoint is fine-tuned for a pick-and-place task on a SO-ARM 101 arm.

  • Architecture: Gr00tN1d7 with Cosmos-Reason2-2B (Qwen-based) vision-language backbone + diffusion policy action head
  • Base model: nvidia/GR00T-N1.7-3B
  • Task: Pick and place fruit
  • Robot: SO-ARM 101
  • Action horizon: 16 steps
  • Model dtype: bfloat16

Fine-tuning Configuration

ParameterValue
Tuned componentsDiffusion model, projector (vision encoder + LLM backbone frozen)
Training steps13000
Global batch size32
Learning rate1e-4 (cosine, warmup ratio 0.05)
Weight decay1e-5
State dropout prob0.2
Optimizeradamw_torch
Precisionbf16
Final training loss~0.024 (avg train_loss 0.060)
Action representationsingle_arm relative, gripper absolute
AttentionFlash Attention 2

Training Details

  • Dataset: jinseonylee/SO101_PickAndPlace_Fruit — 102 episodes, ~78k frames (30fps), LeRobot v2.1 format
  • Embodiment: SO-ARM 101 (new_embodiment)
  • Max steps: 13000 (≈5.4 epochs over ~76.6k preloaded frames at batch 32)
  • Final loss: 0.0244 at step 13000; train_runtime ~3h14m on a single GPU
  • Reference: hyperparameters follow hi-space/GR00T-N1.7-3B-Pick-Orange, scaled from 6000 steps to keep a comparable epoch count for this larger dataset

Embodiment & Modalities

State inputs:

  • single_arm — arm joint positions (relative)
  • gripper — gripper position (absolute)

Action outputs: same as state inputs (16-step horizon)

Cameras: front, wrist

Language conditioning: annotation.human.task_description

Usage

Refer to the NVIDIA Isaac GR00T repository for full inference and deployment instructions. Open-loop evaluation:

uv run python gr00t/eval/open_loop_eval.py \
  --dataset-path <path-to>/SO101_PickAndPlace_Fruit_lerobot \
  --embodiment-tag NEW_EMBODIMENT \
  --model-path <path-to>/checkpoint-13000 \
  --traj-ids 0 --execution-horizon 16 --steps 400

Intended Use

This model is intended for SO-ARM 101 fruit pick-and-place tasks matching the training dataset's setup. It is not guaranteed to transfer zero-shot to different scenes, objects, or hardware without additional fine-tuning.

License

This model inherits the license from the base model nvidia/GR00T-N1.7-3B / nvidia/Cosmos-Reason2-2B. Please refer to NVIDIA's terms for usage restrictions.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Gr00tN1d7
Ревизия весов
678580c

0 моделей