/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Florence-2-large
Опубликована
6 апр 2025

flower_vla_pret

Языковая модельИзображение, текст → action3 профессии

FlowerVLA — компактная политика для роботизированных манипуляций, преобразующая изображения и текстовые инструкции в последовательности действий робота.

41скачиваний за 30 дней5лайковвеса обновлены15 авг 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 политики Vision-Language-Action для роботизированных манипуляций, разработанная для набора задач CALVIN ABC. Архитектура объединяет половину Florence-2 для мультимодального кодирования изображений и текста с трансформерной архитектурой flow matching; размер модели — около 1 млрд параметров.

Модель принимает изображения RGB со статической камеры и камеры захвата вместе с текстовой инструкцией, например просьбой взять синий куб. На выходе она формирует последовательность действий робота: смещения конечного эффектора или команды в пространстве суставов. В карточке указано, что чекпойнт содержит веса для результатов SIMPLER, приведённых в статье; для запуска требуется реализация модели и среда из проекта.

Модель предназначена для исследования и применения в задачах роботизированных манипуляций, где визуальные наблюдения и инструкции на естественном языке преобразуются в действия. Лицензия — MIT. README не уточняет конкретные поддерживаемые роботы и ограничения переноса между средами.

Сценарии применения

  • взять указанный предмет по текстовой инструкции
  • перемещать объекты в симуляции CALVIN ABC
  • управлять роботом по изображениям статической камеры и камеры захвата
  • генерировать команды смещения конечного эффектора
  • формировать команды для суставов робота

Ограничения

Для запуска нужна реализация модели и подходящая среда из проекта; карточка не уточняет поддерживаемые аппаратные платформы и переносимость на другие среды.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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

This is a pretrained FlowerVLA model for robotic manipulation trained on the CALVIN ABC 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 SIMPLER results reported in the paper. Check out the pretraining codebase for testing.

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, 7/8) tensor representing delta EEF actions/Joint State 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)

@inproceedings{ reuss2025flower, title={{FLOWER}: Democratizing Generalist Robot Policies with Efficient Vision-Language-Flow Models}, author={Moritz Reuss and Hongyi Zhou and Marcel R{"u}hle and {"O}mer Erdin{\c{c}} Ya{\u{g}}murlu and Fabian Otto and Rudolf Lioutikov}, booktitle={9th Annual Conference on Robot Learning}, year={2025}, url={https://openreview.net/forum?id=JeppaebLRD} }

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
ffd4134

0 моделей