/ Модель

Характеристики

Лицензия
MIT
Опубликована
21 мая 2024

octo-small-1.5

Языковая модельИзображение, текст → action3 профессии

Компактная Transformer-модель Octo преобразует изображения с камер и языковые инструкции в действия для управления роботом.

349скачиваний за 30 дней9лайковвеса обновлены21 мая 2024

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

Octo Small 1.5 — компактная модель управления роботами, разработанная командой Octo в Berkeley. Она преобразует изображения с основной и запястной камер робота и языковое описание задачи в последовательность действий для управления роботом.

Модель построена на Transformer с 27 млн параметров, сопоставимым по размеру с ViT-S. Изображения размером 256×256 и 128×128 обрабатываются лёгким свёрточным энкодером и разбиваются на патчи 16×16; текст токенизируется с помощью T5 Tokenizer и кодируется T5-Base. Модель использует окно истории до двух шагов и diffusion policy для предсказания 7-мерных действий на четыре шага вперёд. Обучена на смеси наборов данных Open X-Embodiment; в версии 1.5 обновлены языковые инструкции и исправлены ошибки обучения и маскирования.

Модель предназначена для роботизированного управления по визуальным наблюдениям и инструкциям на естественном языке. README не уточняет поддерживаемые естественные языки и конкретную платформу робота. Репозиторий распространяется в формате Flax по лицензии MIT; для практического применения потребуются совместимые наблюдения и исполнительная система робота.

Сценарии применения

  • управление роботом по изображению с основной камеры
  • выполнение языковых инструкций роботом
  • планирование следующих действий по истории наблюдений
  • управление роботом с учётом изображения с камеры на запястье

Ограничения

Модель принимает историю не более чем за два шага и рассчитана на заданный формат изображений камер; она предсказывает 7-мерные действия и требует совместимой роботизированной системы для их исполнения. Поддерживаемые языки инструкций и характеристики на конкретных роботах в карточке не уточнены.

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

Octo Small

See https://github.com/octo-models/octo for instructions for using this model.

Octo Small is trained with a window size of 2, predicting 7-dimensional actions 4 steps into the future using a diffusion policy. The model is a Transformer with 27M parameters (equivalent to a ViT-S). Images are tokenized by preprocessing with a lightweight convolutional encoder, then grouped into 16x16 patches. Language is tokenized by applying the T5 tokenizer, and then applying the T5-Base language encoder.

Observations and tasks conform to the following spec:

Observations:

{
    image_primary: ('batch', 'history_window', 256, 256, 3),
    image_wrist: ('batch', 'history_window', 128, 128, 3),
}

Tasks:

{
    image_primary: ('batch', 256, 256, 3),
    image_wrist: ('batch', 128, 128, 3),
    language_instruction: {
        attention_mask: ('batch', 16),
        input_ids: ('batch', 16),
    },
}

At inference, you may pass in any subset of these observation and task keys, with a history window up to 2 timesteps.

This model was trained on a mix of datasets from the Open X-Embodiment dataset.

DatasetProportion of batch
Fractal (Brohan et al, 2022)17.0%
Kuka (Kalashnikov et al, 2018)17.0%
Bridge (Walke et al, 2023)17.0%
BC-Z (Jang et al, 2022)9.1%
Stanford Hydra Dataset (Belkhale et al, 2023)6.0%
Language Table~ (Lynch et al, 2023)5.9%
Taco Play (Rosete-Beas et al, 2022, Mees et al., 2023)3.6%
Furniture Bench Dataset (Heo et al, 2023)3.3%
UTAustin Mutex (Shah et al, 2023)3.0%
Austin Sailor Dataset (Nasiriany et al, 2022)2.9%
Roboturk (Mandlekar et al, 2018)2.8%
Toto (Zhou et al, 2023)2.4%
Austin Sirius Dataset (Liu et al, 2023)2.3%
Berkeley Autolab UR5 (Chen et al)1.5%
IAMLab CMU Pickup Insert (Saxena et al, 2023)1.2%
Viola (Zhu et al, 2023)1.2%
Berkeley Fanuc Manipulation (Zhu et al, 2023)1.0%
NYU Franka Play Dataset (Cui et al, 2022)0.9%
UCSD Kitchen Dataset (Ge Yan and Wang, 2023)<0.1%
Jaco Play (Dass et al, 2023)0.6%
Berkeley Cable Routing (Luo et al, 2023)0.3%
Austin Buds Dataset (Zhu et al, 2022)0.3%
CMU Stretch (Mendonca et al, 2023)0.2%
NYU Door Opening (Pari et al, 2021)0.1%
DLR EDAN Shared Control (Quere et al, 2020)0.1%

Updates for Version 1.5

  • Language task tokens are now repeated at every timestep in the context window.
  • Augmented the language instructions in the data with rephrasings from GPT-3.5.
  • Bug fixes:
    • Turned off dropout in the diffusion head due to incompatibility with layer norm.
    • Fixed an off-by-one error with the attention mask.
    • Fixed an issue where different image augmentations did not get fresh random seeds.

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
dc9aa30

0 моделей