/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
safetensors
Опубликована
12 июл 2026

nano-vla-arm-3d

Языковая модельИзображение, текст → action

Компактная браузерная vision-language-action политика, которая управляет двумя суставами роботизированной руки по перспективному изображению и текстовой инструкции.

0скачиваний за 30 дней0лайковвеса обновлены12 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

Nano-VLA-Arm-3D — компактная политика vision-language-action от Institute for Physical AI @ BMI для управления сочленённой роботизированной рукой по изображению перспективной камеры и текстовой инструкции. Модель содержит 119 986 параметров: сверточная сеть из трёх слоёв и MLP обрабатывают изображение размером 40×40×3, а текстовые инструкции кодируются на устройстве моделью all-MiniLM-L6-v2 в вектор размерности 384. На выходе модель предсказывает приращения двух суставов; прямой проход выполняется в браузере на JavaScript.

Модель обучена методом поведенческого клонирования эксперта Jacobian-IK с внесением шума в состояние через DART. Она предназначена для демонстрационной задачи выбора красного или зелёного блока и управления рукой в сцене с перспективным видом стола; автор сообщает точность 97% на обученных и новых инструкциях в замкнутом цикле. Это небольшая эталонная политика для отрисованной задачи, а не универсальная VLA-модель. Репозиторий распространяется по лицензии CC-BY-4.0.

Сценарии применения

  • выбор красного или зелёного блока по текстовой команде
  • управление сочленённой рукой в симулированной сцене с перспективной камерой
  • демонстрация поведенческого клонирования для робототехники
  • запуск небольшой VLA-политики в браузере на устройстве

Ограничения

Политика рассчитана на небольшую отрисованную сцену с рукой из двух звеньев и блоками; при инверсии инструкции автор сообщает 0% успешных результатов. Это эталонная политика для конкретной задачи, а не универсальная foundation-модель.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

physicalai-bmi/nano-vla-arm-3d

An open-vocabulary vision-language-action policy that drives an articulated arm from a perspective (3D-camera) view, running fully in your browser. Same see-be-told-act task as nano-vla-arm, but the scene is rendered through a fixed perspective homography — a receding tabletop, foreshortened blocks — so the policy must read a camera-like image, not a flat schematic. Run it live at https://physicalai-bmi.org/research/vla.

  • Vision: a 40×40×3 perspective render of a 2-link arm + red/green blocks on a receding table.
  • Language (open-vocab): any instruction, embedded on-device by all-MiniLM-L6-v2 (384-d).
  • Action: two joint deltas. Whole forward pass (3 conv + MLP) runs in plain JS.
  • Params: 119,986.

Results (held-out, closed-loop)

metricvalue
Reaches correct block, trained instructions97.0%
Reaches correct block, novel instructions97.0%
Correct when instruction flipped0.0%

Trained by behavior cloning on a Jacobian-IK expert with DART state-noise injection. The perspective view (baked 3×3 homography, stored in config.Hinv) is applied identically in training and in the browser, so train == live. A small reference policy on a rendered task; not a foundation model.

Files: model.safetensors, vla.web.json (float32 for in-browser, verified 2.3e-7 vs safetensors), metrics.json. CC-BY-4.0, Institute for Physical AI @ BMI.

Как запустить

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

GPU в ailist

Универсальный рантайм · safetensors

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
6464162

0 моделей