/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Florence-2-large
Опубликована
16 мар 2025

flower_calvin_d

Языковая модельИзображение, текст → action

FlowerVLA — модель зрительно-языкового управления роботом, которая преобразует изображения камер и текстовые инструкции в действия манипулятора.

102скачиваний за 30 дней4лайкавеса обновлены12 июн 2025

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

FlowerVLA — предварительно обученная модель для роботизированных манипуляций, разработанная на основе Florence-2-large и обученная на наборе CALVIN D. Архитектура объединяет мультимодальный визуально-языковой энкодер на основе половины Florence-2 и трансформерный блок flow matching; модель содержит около 1 млрд параметров.

Модель принимает изображения с RGB-статической камеры и камеры на захвате вместе с текстовой инструкцией, а выдаёт последовательность действий в виде приращений положения конечного эффектора. Она предназначена для выполнения инструкций по манипуляциям в сценариях CALVIN D; в карточке приведены результаты на этом бенчмарке. Лицензия — MIT. Для запуска авторы отсылают к реализации на GitHub, однако ссылка в карточке обозначена как TODO.

Сценарии применения

  • выполнение роботизированных манипуляций по текстовой инструкции
  • перемещение объектов по визуальному наблюдению
  • управление роботом по изображениям статической и захватной камер
  • оценка политик управления на бенчмарке CALVIN D

Ограничения

Модель обучена для набора CALVIN D, поэтому её поведение за пределами этого сценария не подтверждено карточкой. В README ссылка на реализацию указана как TODO, что может затруднить запуск.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FlowerVLA - Vision-Language-Action Flow Model for CALVIN D

This is a pretrained FlowerVLA model for robotic manipulation trained on the CALVIN D dataset. Flower is an efficient Vision-Language-Action Flow policy for robot learning that only contains 1B parameters.

Model Description

FlowerVLA is a novel architecture that:

  • Uses half of Florence-2 for multi-modal vision-language encoding
  • Employs an novel transformer-based flow matching architecture
  • Provides an efficient, versatile VLA policy with only ~1B parameters

Model Performance

This checkpoint contains weights for the CALVIN D challenge and currently ranks 1 with the following results:

Train→TestMethod12345Avg. Len.
{dataset_name}FlowerVLA98.4%94.0%87.9%81.7%74.1%4.36

Input/Output Specifications

Inputs

  • RGB Static Camera: (B, T, 3, H, W) tensor
  • RGB Gripper Camera: (B, T, 3, H, W) tensor
  • Language Instructions: Text strings

Outputs

  • Action Space: (B, T, 7) tensor representing delta EEF actions

Usage

Check out our full model implementation on Github todo and follow the instructions in the readme to test the model on one of the environments.

obs = {
    "rgb_obs": {
        "rgb_static": static_image,
        "rgb_gripper": gripper_image
    }
}
goal = {"lang_text": "pick up the blue cube"}
action = model.step(obs, goal)

Training Details

Configuration

  • Optimizer: AdamW
  • Learning Rate: 2e-5
  • Weight Decay: 0.05

@inproceedings{ reuss2025flower, # Add citation when available }

License

This model is released under the MIT license.

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
64d4f69

0 моделей