/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Базовая модель
openvla-7b
Опубликована
26 июл 2026

mu-vla-openvla-oft-libero-4-tasks-m64-k8-tbptt

Изображение и текст → текст

Дообученная OpenVLA-OFT с рекуррентной памятью для управления роботами-манипуляторами в четырёх наборах задач LIBERO.

16скачиваний за 30 дней0лайковвеса обновлены26 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

mu-VLA — экспериментальная политика vision-language-action для управления роботами-манипуляторами, разработанная как расширение OpenVLA-OFT с рекуррентной памятью. Модель дообучена на базе openvla/openvla-7b и объединяет один чекпойнт для четырёх наборов задач LIBERO: spatial, object, goal и LIBERO-10.

В мультимодальный префикс трансформера добавляются 64 обучаемых токена памяти, состояние которых переносится между шагами среды и сбрасывается в начале эпизода. Для обучения памяти используется усечённое распространение ошибки во времени с окном K=8. Модель принимает изображения двух камер и инструкции, а также использует проприоцептивный проектор; выдаёт действия для робота. В описанной оценке достигнуты показатели успешности 93,0% на LIBERO Spatial, 99,4% на Object и 96,6% на Goal.

Для загрузки нужны код mu-VLA, форк transformers с поддержкой специальной маски внимания и среда LIBERO; стандартный upstream transformers не поддерживается. Лицензия — MIT.

Сценарии применения

  • управление манипулятором по изображению рабочей зоны и инструкции
  • выполнение задач перемещения объектов в LIBERO Object
  • выполнение пространственных манипуляций в LIBERO Spatial
  • выполнение целевых манипуляций в LIBERO Goal
  • оценка рекуррентной памяти в роботизированных задачах

Ограничения

Чекпойнт не загружается стандартным upstream transformers: требуются код mu-VLA и форк transformers с поддержкой специальной маски внимания, а для запуска задач — LIBERO. В описании приведены результаты только для трёх из четырёх наборов LIBERO.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mu-VLA (OpenVLA-OFT + recurrent memory), LIBERO 4 suites, 64 memory tokens, TBPTT K=8

mu-VLA extends OpenVLA-OFT with a recurrent memory module: a set of learnable memory tokens injected into the multimodal prefix of the transformer sequence and carried across environment steps. Gradients flow through a truncated backpropagation-through-time (TBPTT) window; the memory state is reset at episode boundaries.

This checkpoint corresponds to experiment 7 in the mu-VLA experiment matrix: a single policy trained jointly on all four LIBERO suites through the episodic dataloader, with 64 memory tokens and a TBPTT window of K=8.

LIBERO is fully observable, so memory is not required to solve it. This checkpoint is here to show that adding recurrent memory does not cost anything on standard manipulation benchmarks, which is the control for the POMDP results on MIKASA-Robo.

Sibling checkpoints:

Memory configuration

SettingValue
num_mem_tokens64
memory_updatetbptt
tbptt_length8
attention_mask_modecustom
ema_alpha0.1 (unused when memory_update=tbptt)

The same values are shipped in memory_meta.json so that the evaluation scripts in the code repository pick them up automatically.

Training setup

Base model: openvla/openvla-7b, fine-tuned with the OpenVLA-OFT recipe (L1 regression action head, proprioception projector, two input camera views, no FiLM, no diffusion).

SettingValue
Checkpoint step150000
DatasetLIBEROVLAEpisodicDataset, libero_combined
Suiteslibero_spatial_no_noops, libero_object_no_noops, libero_goal_no_noops, libero_10_no_noops
GPUs8 x NVIDIA A100 80GB
Batch size4 per GPU
LoRA rank32
Learning rate5e-4, cosine schedule, 2000 warmup steps, minimum ratio 0.1
Image augmentationon
Gradient checkpointingon

One policy covers all four suites. Action normalisation statistics are computed jointly and stored in dataset_statistics.json.

Evaluation

Protocol: 500 episodes per suite (all tasks in the suite), seed 7, receding horizon inference (the model is queried every step and only the first action of the predicted chunk is executed). Uncertainty is the standard error over the 500 trials.

SuiteSuccess rate
libero_spatial0.930 ± 0.011 (465/500)
libero_object0.994 ± 0.004 (497/500)
libero_goal0.966 ± 0.008 (483/500)
libero_100.958 ± 0.009 (479/500)
average0.962 (1924/2000)

Files

Loading this checkpoint requires more than the base transformer weights. The extra heads are stored as separate PyTorch state dicts, matching the layout the training and evaluation scripts expect.

FilePurpose
model-0000*-of-00004.safetensors, model.safetensors.index.jsonmerged vision-language backbone
lora_adapter/LoRA adapter as saved by PEFT, before merging
action_head--150000_checkpoint.ptL1 regression action head
proprio_projector--150000_checkpoint.ptproprioception projector
memory_module--150000_checkpoint.ptmemory module, including initial_memory
memory_meta.jsonmemory hyperparameters for evaluation auto-detection
dataset_statistics.jsonaction normalisation statistics
optimizer--150000_checkpoint.pt, scheduler--150000_checkpoint.ptoptimizer and scheduler state, for resuming training
configuration_prismatic.py, modeling_prismatic.py, processing_prismatic.pycustom model code, memory token injection and the custom attention mask live here

Usage

The checkpoint is not loadable with upstream transformers. It needs the mu-VLA code, which depends on a forked transformers that supports the custom attention mask, and on LIBERO for the environments.

huggingface-cli download mu-vla/mu-vla-openvla-oft-libero-4-tasks-m64-k8-tbptt \
  --local-dir ./mu-vla-libero-m64-k8

Then point the evaluation script at the downloaded directory; memory hyperparameters are read from memory_meta.json. See the code repository, CognitiveAISystems/mu-vla, for setup and the exact command line.

Attribution

mu-VLA is a fork of OpenVLA-OFT by Moo Jin Kim, Chelsea Finn and Percy Liang (arXiv:2502.19645), which in turn builds on OpenVLA. The recurrent memory module and the episodic dataloaders are the contribution of this work. Released under the MIT license, following upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
54ec695

0 моделей