/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
9 дек 2025

VITRA-VLA-3B

Языковая модельИзображение, текст → action3 профессии

VITRA-VLA-3B предсказывает действия робота по визуальному наблюдению и языковому описанию задачи, с упором на манипуляции и перенос в новые сцены.

113скачиваний за 30 дней18лайковвеса обновлены9 дек 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

VITRA-VLA-3B — модель Vision-Language-Action для роботизированных манипуляций, разработанная исследовательской командой Microsoft Research. Она предварительно обучена на наборе VITRA-1M, содержащем более миллиона эпизодов реальных видео действий рук человека без аннотаций. В модели используется каузальный трансформер действий; видео рук преобразуются в данные, согласованные по гранулярности задач и меткам с обучающими данными для робототехники.

Модель принимает изображения и инструкции на английском языке и предсказывает действия робота. Она предназначена для переноса навыков манипуляции в новые сцены без дополнительного обучения, а также для дальнейшей адаптации с небольшим числом примеров к реальным роботам. Код и веса доступны по лицензии MIT. В карточке указана библиотека Transformers и формат PyTorch.

Сценарии применения

  • предсказание действий робота-манипулятора по изображению и инструкции
  • перенос навыков манипуляции на ранее не встречавшиеся сцены
  • адаптация управления роботом с небольшим числом примеров
  • исследование обучения робототехнических моделей на видео действий рук человека

Ограничения

Заявленные результаты относятся к предсказанию действий рук человека в новых сценах; применение к реальным роботам предполагает дополнительную адаптацию. В карточке не приведены конкретные ограничения по поддерживаемым роботам и условиям управления.

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

VITRA-VLA-3B

VITRA is a novel approach for pretraining Vision-Language-Action (VLA) models for robotic manipulation using large-scale, unscripted, real-world videos of human hand activities. Treating human hand as dexterous robot end-effector, we show that in-the-wild egocentric human videos without any annotations can be transformed into data formats fully aligned with existing robotic V-L-A training data in terms of task granularity and labels. We create a human hand V-L-A dataset containing over 1 million episodes. We further develop a VLA model with a causal action transformer trained on this dataset. It demonstrates strong zero-shot human-hand action prediction in entirely new scenes and serves as a cornerstone for few-shot finetuning and adaptation to real-world robotic manipulation.

All our code, pre-trained model weights, are licensed under the MIT license.

Please refer to our project page and paper for more details.

Model Summary

Citation

@article{li2025vitra,
  title={Scalable Vision-Language-Action Model Pretraining for Robotic Manipulation with Real-Life Human Activity Videos},
  author={Qixiu Li and Yu Deng and Yaobo Liang and Lin Luo and Lei Zhou and Chengtang Yao and Lingqi Zeng and Zhiyuan Feng and Huizhi Liang and Sicheng Xu and Yizhong Zhang and Xi Chen and Hao Chen and Lily Sun and Dong Chen and Jiaolong Yang and Baining Guo},
  journal={arXiv preprint arXiv:2510.21571},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
4bd47d5

0 моделей