/ Модель

Характеристики

Параметры
113 млн
Архитектура
videomae · dense
Библиотека
transformers
Опубликована
15 июл 2026

insert-mouse-battery-videomae-reward-v1

Классификация видеоВидео → label3 профессии

Бинарная VideoMAE-модель оценивает по многокамерному видео, успешно ли завершена установка батарейки в мышь.

12скачиваний за 30 дней0лайковвеса обновлены15 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

qmddn/insert-mouse-battery-videomae-reward-v1 — бинарная reward-модель для определения завершённого состояния задачи установки батарейки в компьютерную мышь. Разработчик дообучил VideoMAE на базе MCG-NJU/videomae-base-finetuned-kinetics; модель содержит 113,2 млн параметров и распространяется в формате safetensors для Transformers.

На вход подаётся клип примерно за одну секунду: восемь RGB-кадров с тремя видами камеры, объединёнными вертикально в порядке top_head, hand_left, hand_right. Модель выдаёт оценки классов not_success и success; вероятность успеха вычисляется через softmax. Проверочный порог выбран на уровне 0,92. Обучающие примеры охватывают успешные завершения и неуспешные траектории, включая сложные случаи до завершения задачи.

На валидации указаны точность 0,9824, precision 0,9505 и recall 1,0000 при пороге 0,5. В проверке на отложенных траекториях устойчивый ложный сигнал возник в трёх из восьми неуспешных эпизодов, поэтому оценку следует проверять для конкретной политики и конфигурации камер перед использованием в оптимизации RL. Модель основана на видеоданных, язык не применим; сведения о лицензии не приведены.

Сценарии применения

  • определение успешной установки батарейки по видео с трёх камер
  • вычисление reward-сигнала для роботизированной задачи установки батарейки
  • оценка завершения эпизода в обучении политики робота
  • отслеживание успешных и неуспешных траекторий манипуляции

Ограничения

Момент завершения представлен финальным стабильным окном, поскольку в исходных данных успех размечен на уровне эпизода, а не точного времени установки. На отложенных неуспешных эпизодах наблюдались устойчивые ложные срабатывания; порог нужно проверить для целевой политики и конфигурации камер.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Insert Mouse Battery VideoMAE Reward

Binary VideoMAE reward model for detecting the completed state of the insert-mouse-battery task from an approximately one-second, three-view clip. It was newly fine-tuned from MCG-NJU/videomae-base-finetuned-kinetics and does not use weights from an earlier reward model.

Input Format

  • Eight RGB frames sampled every four source frames at 30 FPS; covered duration is 29 frames (about 0.97 seconds).
  • View order per time step: top_head, hand_left, hand_right.
  • Each view is resized to 240x320, then vertically stacked to 720x320.
  • Tensor shape: [batch, 8, 3, 720, 320].
  • Normalize with mean [0.45, 0.45, 0.45] and standard deviation [0.225, 0.225, 0.225].
  • VideoMAE tubelet/patch size: [2, 24, 32].

Output Format

The model returns two logits: not_success and success. The reward is softmax(logits)[..., 1]. The selected validation threshold is 0.92.

Training Data

  • Training clips: 2255 (735 dense failure clips added).
  • Validation clips: 568 (184 dense failure clips added).
  • Positive clips come only from the final two-second stable window of successful episodes, with the complete clip inside that window.
  • Negatives include early, middle, hard-preterminal successful clips and dense clips from unsuccessful trajectories.
  • Train and validation episodes are disjoint.
  • Sources include the processed LeRobot success demonstrations and the 20-success/40-failure rollout dataset.

Validation Results

metricvalue
accuracy @ 0.50.9824
precision @ 0.50.9505
recall @ 0.51.0000
F1 @ 0.50.9746
ROC AUC0.9939

Full Held-Out Rollouts

metricVideoMAEResNet18 v4 baseline
successful episodes detected4/44/4
failed episodes with sustained false trigger3/82/8
success terminal positive rate0.97500.8824
failure frame false-positive rate0.04060.0364

A sustained trigger is at least three consecutive sampled predictions above the selected threshold.

Files

filedescription
model.safetensorsBest VideoMAE reward weights.
config.jsonTransformers model configuration and label mapping.
preprocessor_config.jsonClip, view, resize, normalization, and threshold metadata.
evaluation.jsonAggregate and per-episode validation results.
training_history.jsonPer-epoch metrics.
inference.pyMinimal preprocessing and reward helper.

Limitations

Completion time is represented by the final stable window because the source datasets provide episode-level success rather than an annotated insertion timestamp. Validate the threshold in the target policy and camera setup before using the score for RL optimization.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoMAEForVideoClassification
Ревизия весов
1dc6535

0 моделей