/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Библиотека
transformers
Опубликована
28 апр 2025

openvla-7b-oft-finetuned-libero-spatial-object-goal-10

Изображение и текст → текст3 профессии

OpenVLA-OFT, дообученная на задачах LIBERO Spatial, Object, Goal и Long, предсказывает действия робота по изображениям и языковым инструкциям.

3 104скачиваний за 30 дней10лайковвеса обновлены17 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

Это контрольная точка OpenVLA-OFT, разработанная авторами проекта Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success. Модель дообучена на объединённых наборах задач LIBERO Spatial, Object, Goal и Long и предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям, предсказывая последовательности действий (action chunks).

В основе лежит архитектура OpenVLA с классом OpenVLAForActionPrediction; веса опубликованы в формате safetensors. В README заявлено улучшение базовой OpenVLA благодаря оптимизированным методам дообучения. Лицензия — MIT. Контрольная точка ориентирована на задачи LIBERO; данных о контекстном окне и поддерживаемых естественных языках в предоставленных источниках нет.

Сценарии применения

  • управление манипулятором по изображению и текстовой инструкции
  • выполнение пространственных задач из набора LIBERO
  • перемещение и взаимодействие с объектами по заданию
  • генерация последовательностей действий для робота

Ограничения

Контрольная точка обучена на наборах задач LIBERO, поэтому её пригодность для других роботов и сред этими данными не подтверждена. README требует настроить окружение проекта для запуска.

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

Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success

This repository contains the OpenVLA-OFT checkpoint trained on 4 LIBERO task suites combined (-Spatial, -Object, -Goal, -Long), as described in Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success. OpenVLA-OFT significantly improves upon the base OpenVLA model by incorporating optimized fine-tuning techniques.

Project Page: https://openvla-oft.github.io/

Code: https://github.com/openvla-oft/openvla-oft

See here for other OpenVLA-OFT checkpoints: https://huggingface.co/moojink?search_models=oft

Quick Start

This example demonstrates generating an action chunk using a pretrained OpenVLA-OFT checkpoint. Ensure you have set up the conda environment as described in the GitHub README.

import pickle
from experiments.robot.libero.run_libero_eval import GenerateConfig
from experiments.robot.openvla_utils import get_action_head, get_processor, get_proprio_projector, get_vla, get_vla_action
from prismatic.vla.constants import NUM_ACTIONS_CHUNK, PROPRIO_DIM
# Instantiate config (see class GenerateConfig in experiments/robot/libero/run_libero_eval.py for definitions)
cfg = GenerateConfig(
    pretrained_checkpoint = "moojink/openvla-7b-oft-finetuned-libero-spatial",
    use_l1_regression = True,
    use_diffusion = False,
    use_film = False,
    num_images_in_input = 2,
    use_proprio = True,
    load_in_8bit = False,
    load_in_4bit = False,
    center_crop = True,
    num_open_loop_steps = NUM_ACTIONS_CHUNK,
    unnorm_key = "libero_spatial_no_noops",
)
# Load OpenVLA-OFT policy and inputs processor
vla = get_vla(cfg)
processor = get_processor(cfg)
# Load MLP action head to generate continuous actions (via L1 regression)
action_head = get_action_head(cfg, llm_dim=vla.llm_dim)
# Load proprio projector to map proprio to language embedding space
proprio_projector = get_proprio_projector(cfg, llm_dim=vla.llm_dim, proprio_dim=PROPRIO_DIM)

# Load sample observation:
#   observation (dict): {
#     "full_image": primary third-person image,
#     "wrist_image": wrist-mounted camera image,
#     "state": robot proprioceptive state,
#     "task_description": task description,
#   }
with open("experiments/robot/libero/sample_libero_spatial_observation.pkl", "rb") as file:
    observation = pickle.load(file)
# Generate robot action chunk (sequence of future actions)
actions = get_vla_action(cfg, vla, processor, observation, observation["task_description"], action_head, proprio_projector)
print("Generated action chunk:")
for act in actions:
    print(act)

Citation

@article{kim2025fine,
  title={Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success},
  author={Kim, Moo Jin and Finn, Chelsea and Liang, Percy},
  journal={arXiv preprint arXiv:2502.19645},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
638918f

0 моделей