/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
lerobot
Опубликована
26 авг 2026

mtdit_plate_croissant_jointbase_fullframe

Языковая модельИзображение, текст → action

Политика MTDiT предсказывает действия робота по двум изображениям и состоянию суставов и базы с помощью диффузионного планирования.

11скачиваний за 30 дней0лайковвеса обновлены26 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

MTDiT — специализированная политика управления роботом на основе Multi-Task Diffusion Transformer, опубликованная maskjp. Она обучена на наборе l5vel-peng/base4-plate-croissant-eef-merged-v30 для управления суставами и базой робота по двум изображениям камер и вектору состояния. Модель предсказывает последовательность действий методом диффузии DDPM; горизонт планирования составляет 48 шагов, из которых политика выдаёт 40 шагов действий при двух шагах наблюдений.

Политика принимает 10-мерное состояние joint + base и два кадра 480×640, каждый целиком масштабируется до 224×224 без обрезки. Для текстового условия используется замороженный CLIP ViT-B/16 с обученной линейной проекцией. Модель содержит 443 млн параметров, из них 379,9 млн обучаемых, и распространяется в формате Safetensors под лицензией Apache-2.0.

Это вариант с полным полем зрения, опубликованный для сравнения с версией с обрезкой кадров. По README, у него худшая отложенная ошибка среди десяти запусков: без случайной обрезки на обучении теряется важная регуляризация, особенно при всего 93 обучающих эпизодах. Кроме того, кадры формата 3:4 искажаются до квадратных изображений. Модель предназначена для конкретной конфигурации робота и обучающего набора; перенос на другие установки не описан.

Сценарии применения

  • управление роботом по изображениям двух камер
  • предсказание последовательности движений суставов и мобильной базы
  • воспроизведение задач с тарелкой и круассаном на совместимой робототехнической установке

Ограничения

В README указана худшая отложенная ошибка среди десяти запусков; автор связывает переобучение с отсутствием случайной обрезки кадров при небольшом обучающем наборе. При масштабировании изображения 3:4 до 1:1 возникает искажение пропорций, а применимость за пределами целевой конфигурации не описана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MTDiT — plate/croissant, joint + base, full frame

Multi-Task Diffusion Transformer trained on l5vel-peng/base4-plate-croissant-eef-merged-v30 for 10-D joint + base control.

This is the full-field-of-view variant: the whole 480×640 frame is resized to 224×224 and no crop is applied, so the policy sees 100% of each camera image.

⚠️ This checkpoint has the worst held-out loss of the ten runs

Published deliberately as the field-of-view counterpart to maskjp/mtdit_plate_croissant_jointbase, not because it scored well. Read both numbers before choosing:

this model (fullimg)mtdit_plate_croissant_jointbase (noresize)
sees at inference100% of framecentre 16% of frame
crop jitter in trainingnone±256 v / ±416 h
best eval_loss0.0081 @ 5K0.0037 @ 45K
final eval_loss @ 50K0.02420.0038
trendoverfit 3.0×still improving

The two are a deliberate trade. This model can see objects anywhere in frame but generalizes far worse; the other generalizes far better but is blind outside the centre crop. Denoising loss is a weak proxy for rollout success in diffusion policies, so which one actually works on the robot is an open question — that is the point of publishing both.

If the plate or croissant sits near the edge of frame in your setup, this model is the one that can see it.

Why it overfit

With CPU augmentation disabled, random-cropping out of the full frame is the only regularizer in the pipeline. Removing the crop removes it entirely. Across four image pipelines, held-out loss ordered monotonically with crop jitter:

pipelinejitterseesfinal eval_loss
no resize, crop 224±256 v / ±416 h16%0.0038
resize [336,448], crop 224±112 v / ±224 h33%0.0087
resize [240,320], crop 224±16 v / ±96 h65%0.0121
resize [224,224], no cropnone100%0.0242

With only 93 training episodes, that regularizer matters a great deal.

Inputs / outputs

keyshape
inobservation.state10 (joint + base)
inobservation.images.left3×480×640
inobservation.images.right3×480×640
inobservation.images.wrist3×480×640
outaction10 (joint + base)

observation.eef_state (13) and action.eef (13) exist in the config but are not used — LeRobot binds state/action to the exact keys observation.state / action. Language conditioning uses a frozen CLIP ViT-B/16 text encoder with a trained linear projection.

Config

objectivediffusion (DDPM, 100 train timesteps)
hidden_dim / layers / heads768 / 8 / 12
horizon / n_action_steps / n_obs_steps48 / 40 / 2
image_resize_shape[224, 224]
image_crop_shapeNone (no crop)
optimizerAdamW, lr 3e-4, weight_decay 0, no warmup
vision_encoder_lr_multiplier0.1
steps / batch_size50,000 / 64 (single H100)
image augmentationdisabled
seed1000

443.0M params total, 379.9M trainable. Held-out split: 5 eval / 93 train episodes, split at episode level stratified by task.

Note the aspect distortion: 480×640 is 3:4, squashed to 1:1. It is applied identically in training and inference, so the policy simply learns that geometry.

Usage

from lerobot.policies.multi_task_dit.modeling_multi_task_dit import MultiTaskDiTPolicy

policy = MultiTaskDiTPolicy.from_pretrained("maskjp/mtdit_plate_croissant_jointbase_fullframe")

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
176da9e

0 моделей