/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
14 июл 2026

Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k

Языковая модельИзображение, текст → action

Мультимодальная модель на базе Qwen3.5-4B, дообученная для предсказания текстово представленных действий робота в задачах LIBERO.

0скачиваний за 30 дней0лайковвеса обновлены14 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

Это контрольная точка VLA-0 от onnoboru: модель Qwen/Qwen3.5-4B, полностью дообученная на задачах бенчмарка LIBERO с использованием RoboVerse. Она принимает визуально-языковой контекст и представляет действия робота текстовыми токенами, сохраняя архитектуру базовой VLM без изменений. Модель предназначена для предсказания действий в задачах манипуляции, представленных в LIBERO.

Для работы при выводе требуются статистики нормализации действий из обучающего набора: они используются для обратного преобразования выходов модели в исходное пространство действий. В репозитории опубликованы финальные веса и промежуточные контрольные точки обучения. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Сценарии применения

  • предсказание действий робота в задачах манипуляции LIBERO
  • управление роботом по визуальным наблюдениям и языковым инструкциям
  • эксперименты с VLA-моделями на бенчмарке LIBERO

Ограничения

Для восстановления исходного пространства действий при выводе необходим файл статистики нормализации из обучающего набора. Модель обучена на задачах LIBERO, поэтому её применимость за пределами этого бенчмарка не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k

VLA-0 checkpoint: Qwen/Qwen3.5-4B fine-tuned with Full Fine-Tuning on LIBERO benchmark tasks.

VLA-0 represents robot actions directly as text tokens — no architectural changes to the base VLM.

Trained on LIBERO (via RoboVerse).

Quick Start

1. Download

pip install huggingface_hub
huggingface-cli download onnoboru/Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k --local-dir ./Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k

2. Load with transformers

import pickle
import torch
from transformers import Qwen2_5_VLForConditionalGeneration, Qwen2_5_VLProcessor

ckpt_dir = "./Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    f"{ckpt_dir}/model_final", torch_dtype=torch.bfloat16, device_map="auto",
)
processor = Qwen2_5_VLProcessor.from_pretrained(f"{ckpt_dir}/model_final")

# Load dataset stats (required for action denormalization)
with open(f"{ckpt_dir}/dataset_stats.pkl", "rb") as f:
    dataset_stats = pickle.load(f)

3. Load with VLA-0 framework

from rv_train.train import get_pretrained_model

model, cfg = get_pretrained_model("./Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k", device=0)
model.eval()

dataset_stats.pkl

Action normalization statistics computed from the training dataset. Required at inference time to denormalize model outputs back to the original action space.

import pickle

with open("dataset_stats.pkl", "rb") as f:
    stats = pickle.load(f)
# stats contains mean/std for action dimensions

Intermediate Checkpoints

main holds the recommended/final weights. Earlier training-step snapshots are published as branches named step-<global_step> (e.g., step-17000, step-18000). Load any of them by passing revision=:

# Download a specific revision
huggingface-cli download onnoboru/Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k --revision step-18000 --local-dir ./Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k-step-18000

# Or load directly via transformers
Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "onnoboru/Qwen3.5-4B-FFT-libero-clap-cotrain-4b-17k",
    revision="step-18000",
    subfolder="model_final",
)

See the repository branches tab for the full list.

Training Details

  • Base Model: Qwen/Qwen3.5-4B
  • Method: Full Fine-Tuning
  • Dataset: LIBERO (via RoboVerse)
  • Framework: VLA-0
DATALOADER:
  ROBOVERSE:
    cfg_opts: IMAGE.crop_img:0.875:IMAGE.img_size:224:IMAGE.cam_list:('3p1','3p2')
    cfg_path: libs/RoboVerse/roboverse/configs/img_libero_aug.yaml
  batch_size: 16
  distributed_sampler: false
  num_workers: 48
EXP:
  AMP: true
  DATASET: roboverse
  EXP_ID: lap_qwen3_5_4b_fft_libero_cotrain_describe_and_act_4b_vqa128_DL.num_workers_48
  LOSS: {}
  LR_SCHED: none
  MODEL: qwen
  OPTIMIZER: adamw
  SEED: 0
EXP_EXTRA:
  no_test: true
  no_track: true
  no_val: true
  save_at_steps:
  - 10000
  - 17000
  save_ckp: 0
  save_last_ckpt: true
  test_eval_freq: 1
  val_eval_freq: 1
LR_SCHED:
  lr_clip: 1.0e-08
  lr_decay_factor: 0.5
  lr_patience: 4
MODEL:
  QWEN:
    action_mask_aug_per: 0.4
    action_type: original
    add_vision_id: true
    attention_dropout: 0.0
    enable_thinking: true
    grad_checkpoint: true
    history: 1
    horizon: 8
    lap_action_is_absolute: false
    lap_action_pos_scale: 0.05
    lap_action_rot_scale: 0.5
    lap_emit_holds: false
    lap_rotation_precision: 1
    lap_sum_decimal: 1f
    lora_config: default
    lora_rank: 8
    num_bins_actions: 1000
    num_cam: 2
    original_action_dim: 7
    qwen_model_id: Qwen/Qwen3.5-4B
    reasoning: true
    rgb_img_size:
    - 224
    - 224
    rgb_input: true
    tiled_rgb_imgs: true
    use_flash_attention_2: false
    use_lora: false
    use_qlora: false
TRAIN:
  clip_grad_norm: 1.0
  l2: 1.0e-10
  lr: 1.0e-05
  num_epochs: 100
  num_iters: 20000
  save_iter_ckp: 2500
USE_COTRAIN:
  batch_size: 0
  max_answer_words: 128
  native_tile_width: 256
  num_workers: -1
  rate: 0.2
  repo_id:
  - onnoboru/libero_cotrain_4B_describe
  - onnoboru/libero_cotrain_4B_describe_and_act
WANDB:
  enable: true
  entity: ''
  log_interval: 50
  mode: online
  project: vla0-cotraining-libero
  resume_id: ''
  run_name: ''
  tags: ''


Files

FileDescription
model_final/model-*.safetensorsFull model weights
model_final/config.jsonModel configuration
model_final/tokenizer.jsonTokenizer
dataset_stats.pklAction normalization statistics (required for inference)
config.yamlTraining configuration

License

CC-BY-NC-4.0 (following the upstream VLA-0 license). Subject to Qwen License for the base model.

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
19dfcb9

0 моделей