/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
safetensors
Опубликована
12 июл 2026

nano-vla-stack

Языковая модельИзображение, текст → action

Компактная браузерная vision-language-action модель управляет манипулятором, чтобы захватить цветной блок и поставить его на указанный блок.

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-stack — компактная vision-language-action политика Института Physical AI при BMI для многошаговой манипуляции блоками. Модель содержит 55 666 параметров и работает в браузере; веса доступны в формате safetensors, также в карточке указана версия vla.web.json с float32 для выполнения в браузере.

Политика получает изображение сцены с двухзвенным манипулятором и цветными блоками, а также указание на перемещение, например «поставь красный на зелёный». Цвет исходного блока определяется по первому упомянутому цвету, после чего модели передаётся двухэлементный one-hot-вектор источника. На выходе — изменения двух суставов манипулятора; захват и размещение выполняются автоматически при приближении. Модель обучена имитацией поведения эксперта для фаз захвата, переноса и размещения. В README сообщается об успехе укладки 94% на отложенных эпизодах с замкнутым управлением.

Модель предназначена для демонстрационных и исследовательских сценариев управления манипулятором при укладке цветных блоков по языковой инструкции. Она принимает низкоразмерный рендер сцены и ограниченное представление инструкции, поэтому результаты не подтверждают работу с произвольными изображениями или свободными языковыми командами. Лицензия — CC-BY-4.0.

Сценарии применения

  • укладка красного блока на зелёный по текстовой команде
  • управление двухзвенным манипулятором в симуляции
  • проверка многошагового захвата, переноса и размещения блока
  • демонстрация условного управления роботом по цвету объекта

Ограничения

Политика рассчитана на сцену с двухзвенным манипулятором и красным и зелёным блоками; текстовая инструкция сводится к определению источника по первому упомянутому цвету. Результаты относятся к описанному отложенному тесту и не подтверждают перенос на другие сцены или роботов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

physicalai-bmi/nano-vla-stack

A multi-step manipulation vision-language-action policy that runs fully in your browser. Instruction: "stack the red on the green." The arm grasps the named source block, carries it, and places it on the target block — a real two-phase task, not a single reach. Run it live at https://physicalai-bmi.org/research/vla.

  • Vision: a 32×32 render of a 2-link arm + a red and a green block. When a block is grasped it is drawn at the gripper, so the phase (reaching vs carrying) is visible to the policy.
  • Language: the source block is parsed from the instruction (first colour mentioned = source; open-vocab colour grounding) → a 2-way source one-hot. This is deliberate: mean-pooled sentence embeddings are order-blind ("red on green" vs "green on red" classifies at ~0.67), so we parse the order and let the policy condition on the resolved source/target.
  • Action: two joint deltas. Grasp/place are automatic on proximity; the policy drives the arm.
  • Params: 55,666.

Results (held-out, closed-loop, full episode)

metricvalue
Stack success (grasp → carry → place the correct block)94.0%
Grasp rate94.2%
Success with the source instruction flipped22.8%

The flipped row shows the language matters: tell it to move the other block and it does, so success measured against the original target drops sharply. Trained by behavior cloning on a Jacobian-IK two-phase expert (100% ceiling) with DART state-noise injection to survive closed-loop drift across both phases.

Files: model.safetensors, vla.web.json (float32 for in-browser; forward verified 7.6e-8 vs safetensors), metrics.json. CC-BY-4.0, Institute for Physical AI @ BMI. See also nano-vla-arm-3d (perspective reach) and nano-vla-reach.

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
6911dd8

0 моделей