/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
lerobot
Опубликована
3 окт 2026

so101-speed-ab-half-from-best-4k-20261002

Языковая модельИзображение, текст → action

Дообученная политика NVIDIA GR00T N1.7 3B управляет SO-101, чтобы брать пробирку и ставить её в стойку в симуляции.

24скачиваний за 30 дней0лайковвеса обновлены3 окт 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

Это контрольная точка политики NVIDIA GR00T N1.7 размером 3B для робота SO-101, разработанная как продолжение дообучения базовой модели sreetz-nv/so101_newton_dr500_vision_h32_b32_20k_20260929. Она предназначена для задачи «взять пробирку и поместить её в стойку» в симуляции Newton, включая варианты расположения стойки слева и справа. Модель принимает изображения с двух RGB-камер и состояние робота, а выдаёт последовательности управляющих действий; порядок суставов, единицы измерения и ключи камер SO-101 сохранены.

Обучение продолжено на 80 эпизодах из набора данных maximilianofir/so101_newton_dr_lr_half_20261002 с масштабом скорости движения руки 0,5 от стандартного. На 100 сценах симуляции успех составил 59 из 100 при лимите 30 секунд и 62 из 100 при лимите 60 секунд. Для загрузки вместе с весами необходимы конфигурация модели и оба процессорных конвейера. Репозиторий содержит веса safetensors; лицензия указана как other, поэтому условия её использования следует сверить с карточкой модели.

Сценарии применения

  • взять пробирку и поместить её в стойку в симуляции
  • управлять SO-101 при расположении стойки слева или справа
  • проверять роботизированные политики на сценах Newton
  • продолжать обучение манипуляции предметами на данных SO-101

Ограничения

В описанной оценке политика успешно выполнила задачу в 59 из 100 сцен за 30 секунд и в 62 из 100 за 60 секунд; результат ранее сообщённой оценки 94% получен на несопоставимом наборе сцен. Данные предшествуют более поздним изменениям сценария симуляции, а лицензия указана как other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SO-101 vial-to-rack: half-speed demonstration continuation

This is a complete, loadable GR00T N1.7 SO-101 policy checkpoint for the task "Pick up the vial and place it in the rack." It continues the reported 94% simulation checkpoint at pinned revision bbfef9eaecc7a7654f42aaa4ceb95245bb140a53. The upstream architecture is NVIDIA GR00T N1.7 3B. The saved model configuration and both processor pipelines must be loaded with the weights. The original SO-101 joint order, units, and camera keys are preserved.

Continued training

  • Dataset: maximilianofir/so101_newton_dr_lr_half_20261002; 100 accepted scripted Newton simulation episodes, 50 left rack and 50 right rack, two 640 x 480 RGB views at 30 FPS.
  • Scripted arm motion speed scale: 0.5 relative to the standard collection setting; gripper motion is not scaled.
  • 80 episodes used for continued training. The common held-out validation set contains 20 episodes from this dataset and 20 from the other speed dataset.
  • 4,000 optimizer updates; batch 32; action training horizon 32; AdamW learning rate 1e-5, 200 warmup updates, cosine decay; original image augmentation and saved processor statistics.
  • Final logged training loss: 0.005447; full shared validation loss: 0.026236. W&B training history.

train_config.json records the saved training configuration. model.safetensors SHA256: 90301e8aac2eba1ed83b17cb7de8294b71b2f89d5fff6cacd5ba191ad254da29.

Simulation evaluation

On the same 100 non-DR Newton scenes (50 left, 50 right; seeds 76000–76099), with both cameras, four reset render frames and 16 executed actions per prediction:

  • 30-second limit: 59/100 (35 left, 24 right) successes.
  • 60-second limit: 62/100 (35 left, 27 right) successes.

The starting checkpoint scored 42/100 at 30 seconds and 44/100 at 60 seconds on this balanced evaluation. Its previously reported 94/100 used an older, largely left-rack evaluation and is not directly comparable. Policy action sampling was not seeded per episode; scene-matched outcome differences are exploratory. The shared validation split holds out episode IDs, but scene independence across the two speed datasets could not be verified from the collection manifests. These datasets precede the later Newton retreat-gated scripted success and external-camera randomization changes; fresh datasets under the current code should be treated as a separate collection cohort.

Detailed results and limitations.

License

This fine-tuned derivative is distributed under the NVIDIA License included in LICENSE. The base checkpoint's original NOTICE.txt is retained without modification. The license limits use to non-commercial research or evaluation, except as stated in its terms.

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
9baec05

0 моделей