/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
28 июл 2026

pi05_green_lift_rabc_stacked_iter4_degraded

Языковая модельИзображение, текст → action

Экспериментальный чекпойнт управления SO-101, опубликованный как отрицательный результат деградировавшего цикла самоулучшения RA-BC.

9скачиваний за 30 дней0лайковвеса обновлены28 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

Экспериментальный чекпойнт pi05 SO-101 для подъёма зелёного кубика. Его опубликовала k1000dai как отрицательный результат, чтобы воспроизвести и изучить деградацию политики после четырёх последовательных раундов дообучения с RA-BC и собственными rollout-данными. Это модель роботизированного управления для манипулятора SO-101 с четырьмя камерами; в README указана базовая модель pi05 на 4B параметров.

Чекпойнт предназначен для анализа неудачного цикла самоулучшения и воспроизведения результатов на задаче захвата и подъёма зелёного кубика. На физических испытаниях базовая политика достигла 10% успеха, а итерация 2 — 0%; авторы связывают ухудшение с тем, что неудачные эпизоды получали полный вес при обучении, а последовательное дообучение переносило ошибки в следующие итерации. Лицензия — Apache-2.0. Автор прямо предупреждает, что чекпойнт не следует использовать как рабочую политику.

Сценарии применения

  • воспроизведение эксперимента по самоулучшению политики робота
  • анализ причин деградации управления манипулятором SO-101
  • изучение взвешивания неудачных rollout-эпизодов при RA-BC
  • сравнение итераций политики для захвата и подъёма зелёного кубика

Ограничения

Автор прямо предупреждает не использовать чекпойнт как рабочую политику: измеренная успешность снижалась до 0% на итерации 2. README связывает деградацию с обучением на неудачных эпизодах с полным весом; успешность итерации 4 отдельно не приведена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pi05 SO-101 green-cube lift — stacked RA-BC self-improvement, iteration 4

This checkpoint is a NEGATIVE RESULT, published so the failure is reproducible and inspectable. Do not use it as a policy. Its measured predecessors score 0% on the task.

Final state of a 4-round self-improvement loop in which each round finetuned the previous round's weights (base → iter1 → iter2 → iter3 → iter4) on the cumulative dataset of teleop demonstrations plus its own rollouts, weighted by RA-BC progress.

Measured success rate (physical SO-101, "pick up the green cube")

Success was judged online from a side RealSense's depth (a ≥3 cm rise of the green blob) and re-judged offline by a VLM. The two judges agree throughout.

policystacking depthlift judgeVLM judge
base (3 cameras)—5/50 = 10.0%7/50
iter113/50 = 6.0%3/50
iter220/60 = 0.0%0/60
iter330/60 = 0.0%0/60
iter4 (this checkpoint)4not measurednot measured

base vs iter2, Fisher exact p = 0.027. 280 rollout episodes total.

Confounders were ruled out per collect, not assumed: the green cube was present in every episode (blob area 1275–5803 px in the judge camera), arm motion was unchanged (median wrist-view frame delta 29.5 / 33.0 / 33.0), no episode was discarded, and the turntable re-staged the scene successfully on every reset.

Why it degraded

RA-BC assigns weights from the progress delta over a 50-frame chunk:

w = 1              if delta > kappa      (kappa = 0.01)
  = soft_weight    if 0 <= delta <= kappa
  = 0              if delta < 0

There is no gradation above the threshold. Measured on this run's training set:

  • 40.6% of frames from FAILED episodes cleared kappa and were trained at full weight 1.0 — identical to a flawless teleop demonstration.
  • 27.1% of all full-weight frames came from failed episodes.

The failures are mostly "arm moves above the tray without grasping". Training on those at demonstration strength produces a policy that hovers; that policy then generates the next round's data, and stacking finetunes carries the damage forward instead of letting each round recover from the base. The self-improvement loop ran in reverse.

Provenance

  • Base: k1000dai/pi05_so101_pick_up_and_place_on_the_orange_sheet_70_base (pi05, 4B), with a 4th camera (observation.images.side2) declared before the first finetune.
  • Each round: 3500 steps, batch 8, sample_weighting.type=rabc, kappa=0.01, head_mode=sparse.
  • Progress labels were hybrid: a linear 0→1 ramp for episodes known to succeed, Robometer-4B on the side2 view for failures.
  • Cameras: wrist, side, top, side2.

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.

Ревизия весов
02549da

0 моделей