/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
safetensors
Опубликована
11 июл 2026

nano-vla-reach

Языковая модельИзображение, текст → action

Компактная браузерная vision-language-action политика, которая по изображению сцены и текстовой инструкции управляет движением рабочего органа к красной или зелёной цели.

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

physicalai-bmi/nano-vla-reach — небольшая политика vision-language-action, разработанная Institute for Physical AI @ BMI. Она принимает изображение сцены размером 24×24 пикселя с красной и зелёной целями и положение рабочего органа, а также свободно сформулированную текстовую инструкцию; на выходе выдаёт двумерный шаг рабочего органа к выбранной цели. Модель предназначена для демонстрации и изучения принципа VLA на синтетической задаче управления роботом.

Политика содержит 63 026 параметров: два сверточных слоя обрабатывают изображение, после чего признаки объединяются с 384-мерным нормализованным текстовым эмбеддингом и подаются в MLP. Для кодирования текста используется all-MiniLM-L6-v2. Инференс выполняется в браузере на JavaScript без сервера и GPU. В README сообщается об успехе 98,8% на обучающих инструкциях и 97,5% на новых формулировках в проверке на отложенных сценах; при намеренно неверной инструкции точность выбора цели падает до 0%.

Это компактная политика для синтетической задачи достижения цветной цели, а не универсальная или проверенная для реального робота система. Она рассчитана на изображения и инструкции заданного типа; безопасность применения на реальном оборудовании не проверялась. Лицензия — CC-BY-4.0.

Сценарии применения

  • демонстрация связи изображения, инструкции и действия в VLA
  • управление движением рабочего органа к красной цели по текстовой команде
  • управление движением рабочего органа к зелёной цели по текстовой команде
  • изучение обработки новых формулировок инструкций в синтетической робототехнической задаче

Ограничения

Модель рассчитана на синтетические сцены 24×24 пикселя с красной и зелёной целями и выдаёт только двумерный шаг; её безопасность для реального оборудования не проверялась. Это миниатюрная демонстрационная политика, а не универсальная VLA-модель.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

physicalai-bmi/nano-vla-reach

A tiny open-vocabulary vision-language-action (VLA) policy that runs fully in your browser — no server, no GPU, no install. It looks at a scene, reads a free-form instruction you type, and acts. Run it live at https://physicalai-bmi.org/research/vla.

A VLA maps what it sees + what it's told → what it does. Frontier VLAs (π0, GR00T, SmolVLA) are hundreds of millions of parameters and need a GPU. This policy is 63,026 parameters; its whole forward pass — convolutions included — runs in plain JavaScript. The language is open-vocabulary: instructions are embedded on-device by all-MiniLM-L6-v2 (the same encoder at train and inference), so paraphrases it never saw still work. A faithful miniature of the paradigm, meant to be understood and run.

What it does

  • Vision: a 24×24×3 image of a scene with a red target and a green target at random positions, plus the end-effector.
  • Language (open-vocab): any instruction → a 384-d mean-pooled, normalized embedding from all-MiniLM-L6-v2. "reach the red target", "grab the green one", "head toward crimson", "I want green" all work.
  • Action: a 2-D step for the end-effector.

The task is built so the policy must use both modalities: targets move every scene (it has to see them) and either can be the goal (it has to read the instruction).

Architecture

Conv(3→8, s2) → Conv(8→16, s2) → flatten(576) → concat[ text embedding(384) ] → MLP(→64→2), SiLU. 63,026 parameters. The 384-d language vector comes from all-MiniLM-L6-v2, run identically in Node (training) and transformers.js (browser) for exact parity.

Results (honest, closed-loop, held-out scenes)

metricvalue
Reaches the correct target — training instructions98.8%
Reaches the correct target — novel instructions it never trained on97.5%
Correct-target success when the instruction is flipped0.0%

The novel-instruction row is the open-vocab result: unseen phrasings still reach the right target. The flipped row proves it truly obeys language — with the wrong instruction it goes to the other target. Small reference policy on a synthetic task, not a foundation model, not safety-tested for deployment.

Files

  • model.safetensors — weights
  • vla.web.json — the same weights as float32 arrays for in-browser inference (conv+MLP, verified bit-for-bit vs safetensors; max abs diff 7×10⁻⁸)
  • metrics.json, inference.py

Language embedding (must match at train + inference)

from sentence_transformers import SentenceTransformer
enc = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
lang = enc.encode("grab the green one", normalize_embeddings=True)  # (384,)
# then act(img, lang) — see inference.py

In the browser we use transformers.js Xenova/all-MiniLM-L6-v2 (pooling:'mean', normalize:true, dtype q8).

Released under CC-BY-4.0 by the Institute for Physical AI @ BMI. See also our first released checkpoint, forge-arm-reach-bc.

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
74a3b45

0 моделей