/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Cosmos-Predict2-2B-Video2World
Опубликована
19 июл 2026

DeVA

Языковая модельИзображение, текст → action

DeVA — дообученная видеомодель с экспертом действий для обучения роботизированных политик манипуляции с физическим контролем по affordance-картам и глубине.

0скачиваний 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

DeVA — модель для обучения политик роботизированной манипуляции, разработанная исследователями из University of California, Irvine и Georgia Institute of Technology. Она сочетает видеодиффузионную основу и отдельный эксперт действий: признаки между ними согласуются на нескольких уровнях, чтобы переносить временные и пространственные представления видеомодели в политику робота. Дополнительный вариант physical guidance включает предсказание affordance-карт и глубины.

Модель дообучена на основе NVIDIA Cosmos-Predict2-2B-Video2World. Видеодиффузионная основа содержит 1,96 млрд обучаемых параметров; текстовый кодировщик T5-XXL и VAE-токенизатор заморожены. Выпущены контрольные точки для манипуляций в RoboCasa, LIBERO/LIBERO-Plus и YAM, включая бимануальные задачи. Исходная видеомодель рассчитана на видео 480p с частотой 16 кадров/с. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии MIT.

Сценарии применения

  • обучение робота манипуляциям в RoboCasa
  • обучение политик для задач LIBERO и LIBERO-Plus
  • обучение бимануальной манипуляции в YAM
  • предсказание действий робота с использованием видеопризнаков
  • обучение политик с дополнительными сигналами глубины и affordance

Ограничения

Модель ориентирована на роботизированную манипуляцию и контрольные точки для указанных бенчмарков; перенос на другие роботы и сценарии может требовать отдельной настройки. В README не приведены количественные результаты оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeVA: Decoupled Video-Action Model with physical guidance for robot policy learning

Mengqi Zhang1, Sahil Khose1, Simar Kareer2, Yuchen Song1, Unnat Jain1, Judy Hoffman1

1University of California, Irvine    2Georgia Institute of Technology

🌐 Project Page  |  📄 Paper  |  💻 Code  |  🧩 Datasets [LIBERO | RoboCasa | YAM]

DeVA is a decoupled video-action model for robot manipulation. DeVA uses two specialized experts: a video diffusion backbone and an action expert, bridged by multi-level feature alignment and physically-salient supervision (affordance + depth). This transfers the rich spatiotemporal priors of a video generative model into an efficient robot policy while training and converging faster.

Checkpoints

For every benchmark we release two variants: a base model (action + video only) and a guidance version that adds the affordance + depth heads.

BenchmarkBase modelw/ physical guidance
RoboCasarobocasa_base.ptrobocasa_guidance.pt
LIBERO / LIBERO-Plus—libero_guidance.pt
YAM bimanualyam_base.ptyam_guidance.pt

All checkpoints are trained from the Cosmos-Predict2 2B Video2World (480p / 16fps) backbone.

ComponentParamsStatus
T5-XXL text encoder4.86 Bfrozen
VAE tokenizer127 Mfrozen
Video2World DiT (backbone)1.96 Btrained
Action expert564 Mtrained
Affordance head17.6 Mtrained
Depth head13.4 Mtrained
Joint-fusion projection5.2 Mtrained
Total / trainable7.55 B / 2.56 B (33.9%)

Usage

Install the code from Mq-Zhang1/deva, then download a checkpoint into checkpoints/deva/:

hf download mengqz9/DeVA libero_guidance.pt --local-dir checkpoints/deva

or use the helper script in the repo:

python scripts/download_deva_checkpoints.py --list                          # list available
python scripts/download_deva_checkpoints.py --checkpoint libero_guidance    # one (repeatable)
python scripts/download_deva_checkpoints.py --all                           # all checkpoints

Closed-loop evaluation uses a client/server split: a server hosts the DeVA model, a client drives the simulator. See the repository README for evaluation, real-robot deployment, and training instructions.

Citation

@article{zhang2026deva,
  title   = {{DeVA}: Decoupled Video-Action Model with physical guidance for robot policy learning},
  author  = {Zhang, Mengqi and Khose, Sahil and Kareer, Simar and
             Song, Yuchen and Jain, Unnat and Hoffman, Judy},
  journal = {arXiv preprint arXiv:2607.24159},
  year    = {2026}
}

Acknowledgements

Thanks for all the excellent open-source projects: Cosmos-Predict2, LIBERO, RoboCasa, Video Depth Anything and UAD. We thank the authors of these projects.

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
4f32120

0 моделей