/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
safetensors
Опубликована
12 июл 2026

nano-vla-pixels

Языковая модельИзображение, текст → action

Компактная политика управления роботизированной рукой по последовательности кадров MuJoCo, предсказывающая приращения суставов.

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-pixels — компактная vision-language-action политика, разработанная physicalai-bmi для управления роботизированной рукой Forge в симуляции MuJoCo. Модель получает три последовательных RGB-кадра размером 48×48, снятых с реального рендеринга симулятора, и предсказывает трёхмерное приращение суставов.

Модель содержит 186 099 параметров и предназначена для имитационного управления рукой по изображению: она переносит поведение контрольной политики, основанной на состоянии, в политику, работающую с пикселями. На отложенных траекториях авторы сообщают, что модель объясняет 82,9% дисперсии действий. Три кадра дают временной контекст, необходимый для оценки движения.

Это исследовательский артефакт, а не готовый контроллер. README указывает, что замкнутый цикл управления непосредственно в браузере сейчас непрактичен из-за ненадёжного чтения кадров с холста WebGPU; для воспроизведения надёжнее использовать внешнее получение кадров. Лицензия — CC-BY-4.0.

Сценарии применения

  • управление рукой Forge по кадрам симуляции MuJoCo
  • имитационное обучение роботизированных действий по пикселям
  • оценка приращений суставов по последовательности изображений
  • исследование переноса политики управления с состояния на изображение

Ограничения

Модель предназначена для исследовательских экспериментов, а не для промышленного управления. Замкнутый цикл управления прямо в браузере затруднён ненадёжным чтением пикселей с холста WebGPU; в README рекомендуется внешний захват кадров.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

physicalai-bmi/nano-vla-pixels

A policy trained on real MuJoCo pixels — frames captured live from the Institute's in-browser Forge arm sim, not a synthetic renderer. It watches the actual rendered scene and outputs the joint-delta action, distilling our state-based checkpoint (forge-arm-reach-bc) into a pixel policy on genuine sim renders.

  • Input: 3 stacked 48×48 RGB frames of the real MuJoCo render (temporal context = velocity).
  • Output: a 3-D joint-delta action.
  • Params: 186,099.

How the data was made

The state checkpoint drove the real Forge arm in a headless browser (WebGPU/Metal); 2,500 frames across 128 reaches were captured by screenshotting the WebGPU canvas (a page's own JS cannot read WebGPU pixels — only an external compositor screenshot can), each paired with the policy's action. See v2/tools/nanovla/capture.cjs.

Results (held-out reaches, real pixels)

metricvalue
Held-out action MSE7.26 × 10⁻⁵
Predict-the-mean baseline4.25 × 10⁻⁴
Variance explained82.9%
Single-frame (no temporal context)46.6%

The jump from 46.6% → 82.9% with 3-frame stacking shows the action is velocity-dependent — a single still frame under-determines it. Reading fine control from coarse real renders is genuinely hard (and needs far more data than a state policy), so this is a research artifact, not a production controller.

Honest limitation

It can be run offline on captured frames (there's an in-browser replay at https://physicalai-bmi.org/research/vla), but a live in-page closed loop is impractical today — and it's worth being precise about why. Reading the render back into JS is the catch: the 2D/getImageData/screenshot path reads blank on a WebGPU canvas (it's double-buffered, not preserved after present). WebGPU's proper readback (copyTextureToBuffer + mapAsync) is real, and three.js exposes readRenderTargetPixelsAsync, but that path is currently unreliable in three.js's WebGPU backend when rendering alongside an animation loop (three.js #31658, #31654). So an external capture is the dependable route today. It is impractical, not fundamentally impossible.

Files: model.safetensors, vla.web.json (float32 for in-browser; forward verified vs safetensors), metrics.json, demo/ (real held-out frame triplets). CC-BY-4.0.

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
9fdee66

0 моделей