/ Модель

Характеристики

Лицензия
MIT
Опубликована
28 сен 2026

real-marker-d2-r05-baseline-dp

Языковая модельИзображение, текст → action

Модель diffusion policy от Mulligan управляет роботом в задаче real-marker-d2 на манипуляторе.

104скачиваний за 30 дней0лайковвеса обновлены6 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

real-marker-d2-r05-baseline-dp — модель управления роботом от Mulligan, представляющая собой diffusion-policy actor в формате чекпойнта LeRobot. Она предназначена для выполнения задачи real-marker-d2 на манипуляторе и обучена на телеметрических и DAgger-данных c00–c05; в README приведены оценки успешности 21 из 50 и 19 из 50 запусков для двух наборов проверки. Конфигурация включает параметры обрезки камер, целевое действие и систему координат кадра.

Для загрузки требуется код обучения Mulligan: стандартный DiffusionConfig из LeRobot не принимает дополнительные поля конфигурации этой модели. Файлы весов представлены в safetensors, лицензия — MIT.

Сценарии применения

  • управление манипулятором в задаче real-marker-d2
  • выполнение роботизированных действий по наблюдениям с камер
  • оценка diffusion policy на наборах real-marker-d2
  • исследование обучения робототехнической политики на телеметрии и DAgger-данных

Ограничения

Для загрузки необходим код обучения Mulligan, поскольку стандартная конфигурация LeRobot не поддерживает дополнительные поля модели. В приведённых оценках успешность составила 21/50 и 19/50 запусков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

real-marker-d2-r05-baseline-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 roundR5
Armbaseline-dp
Training step100000

Checkpoints

FolderTraining run config
(root)release/run-configs/real-marker-d2-r05-baseline-dp.json

Evaluations

DatasetSessionPolicyActorCriticNSuccesses
real-marker-d2-r05-evalb01baseline_r05_dpreal-marker-d2-r05-baseline-dp—121/50
real-marker-d2-r05-screenb02baseline_r05_dpreal-marker-d2-r05-baseline-dp—119/50

Data

Trained on: real-marker-d2-c00-teleop-baseline, real-marker-d2-c01-dagger-baseline, real-marker-d2-c02-dagger-baseline, real-marker-d2-c03-dagger-baseline, real-marker-d2-c04-dagger-baseline, real-marker-d2-c05-dagger-baseline.

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

Referenced by the metadata of: real-marker-d2-r05-eval, real-marker-d2-r05-screen.

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
4ba1757

0 моделей