/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
15 июл 2026

nano-vla-pixels-dart

Языковая модельИзображение, текст → action

Компактная пиксельная политика для управления рукой MuJoCo в браузере по RGB-кадрам с выдачей приращений суставов.

0скачиваний за 30 дней0лайковвеса обновлены16 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-dart — модель управления роботизированной рукой, разработанная Institute for Physical AI @ BMI. Это компактная pixel-only VLA-политика для руки в MuJoCo: она принимает три последовательных RGB-кадра размером 48×48, объединённые в 9 каналов, и выдаёт приращения для трёх суставов. В модели 186 099 параметров; прямой проход реализован на обычном JavaScript и занимает около 9 мс. Политика рассчитана на управление в браузере с частотой около 30 Гц через WebGPU.

Модель обучена на кадрах, полученных тем же путём чтения WebGPU, который используется при работе, с экспертными действиями в качестве меток и данными DART с возмущениями, расширяющими набор состояний руки. README сообщает примерно о 23 успешных достижениях цели в минуту в пиксельном режиме, сопоставимых с экспертной политикой. Для корректной работы важна частота управления: при редких решениях действия устаревают и рука может перелетать цель. Модель предназначена для робототехнического управления, а не для общего диалога; лицензия — CC-BY-4.0.

Сценарии применения

  • управление рукой MuJoCo по изображению с камеры
  • достижение целей роботизированной рукой без входных координат суставов
  • эксперименты с VLA-политикой в браузере и WebGPU
  • сравнение пиксельного управления роботом с экспертной политикой

Ограничения

Модель рассчитана на конкретную руку MuJoCo и выдаёт приращения для трёх суставов; README не подтверждает применимость к другим роботам или средам. Для результатов, указанных в карточке, требуется частота управления около 30 Гц.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

physicalai-bmi/nano-vla-pixels-dart

A pixel-only control policy for an in-browser MuJoCo arm, trained on frames captured through the same in-page WebGPU readback path it runs on — so train and live are one distribution by construction. Runs live at /research/vla.

  • Input: 3 stacked 48x48 RGB frames (newest first, 9ch) — no joint angles, no coordinates.
  • Output: 3 joint deltas. 186,099 params, plain-JS forward, ~9 ms read+infer.
  • Data: readback frames = DART (expert perturbed so the arm visits off-distribution states; the expert's clean action is the label) + one DAgger round with task variety forced during capture.

Result

Driving from pixels alone at ~30 Hz it completes ~23 reaches/min — the state-based expert checkpoint it was cloned from does ~21. It matches its teacher from the rendered picture alone.

The correction this artifact exists to record

For most of its development this policy scored ~1 reach/min and looked like a near-failure. The cause was not the policy — it was the control rate. The demo re-perceived every 90 ms (an arbitrary constant), so the policy decided at ~11 Hz while the expert re-decided every frame at ~60; its action went stale and the arm overshot. Dropping the interval to 30 ms (still ~9 ms of real work) took the rate from ~1 to ~23/min.

That one number had silently poisoned every comparison run through it. Measured at 11 Hz, different training runs scored 0–1/min and we built causal stories on the noise ("DAgger collapse", "v5 is the peak"). Re-measured at 30 Hz they are indistinguishable — v5, v6 (which we had called "collapsed"), and v8 all land ~22–23/min. What genuinely mattered: the readback train==live capture + DART lifted a screenshot-trained baseline from ~10/min to parity. The extra DAgger rounds we had credited moved nothing.

control ratescreenshot-trained (v1)readback + DART (v8)
~11 Hz (the buggy default)~0.3/min~1/min
~30 Hz (correct)~9.7/min~23/min

Method lesson: held-out MSE and expert-agreement were blind to all of this — they barely moved while the true rate went 0 → 23. Only end-to-end rollouts, at a sane control rate, rank these models.

Released CC-BY-4.0 by the Institute for Physical AI @ BMI.

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
954176c

0 моделей