/ Модель

Характеристики

Лицензия
MIT
Опубликована
28 сен 2026

real-marker-d2-r02-mulligan-dp

Языковая модельИзображение, текст → action

Актор diffusion policy проекта Mulligan для управления манипулятором в задаче real-marker-d2.

122скачиваний за 30 дней0лайковвеса обновлены5 окт 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

Mulligan real-marker-d2-r02-mulligan-dp — модель-актор для управления роботом, разработанная в рамках проекта Mulligan. Она использует архитектуру diffusion policy и предназначена для выполнения задачи real-marker-d2 на манипуляторе. Чекпойнт сохранён в формате LeRobot с весами safetensors и нормализаторами пред- и постобработки; для загрузки требуется код обучения Mulligan, поскольку конфигурация содержит дополнительные поля, не поддерживаемые стандартной конфигурацией LeRobot DiffusionConfig.

Модель обучена на данных телеуправления и DAgger для real-marker-d2. В оценках на двух сессиях показаны результаты 23/50 и 24/50 успешных выполнений. Лицензия — MIT. Контекст, языковые возможности и поддерживаемые сенсорные модальности в карточке не описаны.

Сценарии применения

  • управление манипулятором при выполнении задачи real-marker-d2
  • выполнение роботизированных действий по обучающим примерам телеуправления
  • оценка политики управления роботом на сессиях real-marker-d2

Ограничения

Для загрузки нужна кодовая база обучения Mulligan: стандартный LeRobot DiffusionConfig не принимает дополнительные поля конфигурации. В указанных оценках успешность составила 23 из 50 и 24 из 50 выполнений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

real-marker-d2-r02-mulligan-dp

Part of Mulligan. Browse evaluations at Policy Arena; the datasets are in the mulligan organization.

Diffusion-policy actor in LeRobot's checkpoint layout (config.json, model.safetensors, pre/post-processor normalizers). The config also carries Mulligan fields (camera crop boxes, action target and frame) that stock LeRobot DiffusionConfig rejects; loading needs the Mulligan training code.

PropertyValue
Taskreal-marker-d2
Model roundR2
Armmulligan-dp
Training step100000

Checkpoints

FolderTraining run config
(root)release/run-configs/real-marker-d2-r02-mulligan-dp.json

Evaluations

DatasetSessionPolicyActorCriticNSuccesses
real-marker-d2-r02-evalb01mulligan_r02_dpreal-marker-d2-r02-mulligan-dp—123/50
real-marker-d2-r02-evalb03mulligan_r02_dp_b03real-marker-d2-r02-mulligan-dp—124/50
real-marker-d2-r02-evalb03mulligan_r02_idql_c125k_n16real-marker-d2-r02-mulligan-dpreal-marker-d2-r02-mulligan-idql-critic1623/50

Data

Trained on: real-marker-d2-c00-teleop-sobol, real-marker-d2-c01-dagger-mulligan, real-marker-d2-c02-dagger-mulligan.

Validation-only datasets: real-marker-d2-c00-teleop-validation.

Referenced by the metadata of: real-marker-d2-c03-dagger-mulligan-no-cf, real-marker-d2-c03-dagger-mixed, real-marker-d2-c03-dagger-mulligan, real-marker-d2-r02-eval, real-marker-d2-r02-eval-b01-mulligan-dp-policy-rollouts.

Provenance

SHA-256 of every file is recorded in release.json. .pt files are PyTorch pickles; load them only in a trusted environment. The run configs are in the Mulligan code repository; the recipes there retrain each checkpoint. License: mit.

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
75eac3b

0 моделей