/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
29 янв 2026

lingbot-va-posttrain-robotwin

Языковая модельИзображение, текст → action

Производная модели robbyant/lingbot-va-base. LingBot-VA — модель мирового моделирования, которая предсказывает видео и действия для управления роботами по визуальному наблюдению.

0скачиваний за 30 дней10лайковвеса обновлены24 апр 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

Карточка модели robbyant/lingbot-va-posttrain-robotwin на Hugging Face совпадает с карточкой robbyant/lingbot-va-base, поэтому описание составлено по ней.

LingBot-VA — авторегрессионная модель диффузионного мирового моделирования для управления роботами, представленная в работе «Causal World Modeling for Robot Control». Базовый вариант lingbot-va-base разработан Robbyant и использует общую основу для предсказания видеокадров и исполнения политики: визуальная динамика и вывод действий представлены в чередующейся последовательности, сохраняя различие между этими задачами.

Модель предназначена для генерации последовательностей видео и действий по изображению и для управления роботом на длинных горизонтах, в том числе в новых сценах. В архитектуре используется двухпоточная смесь трансформеров (MoT), асинхронное исполнение и KV-кэш. README сообщает об оценке модели в симуляторах и реальных сценариях, а также о повышении эффективности использования примеров, успешности длинных задач и обобщения; подробные результаты для базовой модели в предоставленном фрагменте не приведены.

Репозиторий содержит веса Safetensors, библиотека из метаданных — Transformers. Лицензия Apache-2.0. Модель ориентирована на робототехнические сценарии и требует соответствующего программного и вычислительного окружения для запуска; README указывает Python 3.10.16, PyTorch 2.9.0 и CUDA 12.6.

Сценарии применения

  • генерация последовательности видео и действий по входному изображению
  • управление роботом при выполнении длинной последовательности задач
  • предсказание визуальной динамики сцены во время исполнения политики
  • проверка робототехнических политик в симуляционных сценариях
  • адаптация поведения робота к ранее не встречавшимся сценам

Ограничения

Модель предназначена для робототехнического управления и требует окружения с Python 3.10.16, PyTorch 2.9.0 и CUDA 12.6. В предоставленной карточке не указаны размер модели, длина контекста и поддерживаемые естественные языки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LingBot-VA is an autoregressive diffusion framework that learns frame prediction and policy execution simultaneously, introduced in the paper Causal World Modeling for Robot Control.

It focuses on:

  • Autoregressive Video-Action World Modeling: Architecturally unifies visual dynamics prediction and action inference within a single interleaved sequence while maintaining their conceptual distinction.
  • High-efficiency Execution: A dual-stream mixture-of-transformers (MoT) architecture with Asynchronous Execution and KV Cache.
  • Long-Horizon Performance and Generalization: High improvements in sample efficiency, long-horizon success rates, and generalization to novel scenes.

Model Sources


📦 Model Download

  • Pretrained Checkpoints for Post-Training
Model NameHuggingface RepositoryModelScope RepositoryDescription
lingbot-va-base  🤗 robbyant/lingbot-va-base  🤖 Robbyant/lingbot-va-base  LingBot-VA w/ shared backbone
lingbot-va-posttrain-robotwin  🤗 robbyant/lingbot-va-posttrain-robotwin  🤖 Robbyant/lingbot-va-posttrain-robotwin  LingBot-VA-Posttrain-Robotwin w/ shared backbone
lingbot-va-posttrain-libero-long  🤗 robbyant/lingbot-va-posttrain-libero-long  🤖 Robbyant/lingbot-va-posttrain-libero-long  LingBot-VA-Posttrain-Libero-Long w/ shared backbone

🛠️ Quick Start

Installation

Requirements • Python == 3.10.16 • Pytorch == 2.9.0 • CUDA 12.6

pip install torch==2.9.0 torchvision==0.24.0 torchaudio==2.9.0 --index-url https://download.pytorch.org/whl/cu126
pip install websockets einops diffusers==0.36.0 transformers==5.0.0 accelerate msgpack opencv-python matplotlib ftfy easydict
pip install flash-attn --no-build-isolation

Run Image to Video-Action Generation

We provide a script for image to video-action generation:

NGPU=1 CONFIG_NAME='robotwin_i2av' bash script/run_launch_va_server_sync.sh 

📊 Performance

We evaluate our model on both simulation benchmarks and real-world scenarios, achieving state-of-the-art performance.

Simulation Evaluation (Success Rate %)

Method (Average 50 Tasks)Easy SR (%)Hard SR (%)
X-VLA72.972.8
π₀65.958.4
π₀.₅82.776.8
Motus88.787.0
LingBot-VA (Ours)92.991.6

📚 Citation

@article{lingbot-va2026,
  title={Causal World Modeling for Robot Control},
  author={Li, Lin and Zhang, Qihang and Luo, Yiming and Yang, Shuai and Wang, Ruilin and Han, Fei and Yu, Mingrui and Gao, Zelin and Xue, Nan and Zhu, Xing and Shen, Yujun and Xu, Yinghao},
  journal={arXiv preprint arXiv:2601.21998},
  year={2026}
}

🪪 License

This project is released under the Apache License 2.0. See LICENSE file for details.

🧩 Acknowledgments

This work builds upon several excellent open-source projects:

  • Wan-Video - Vision transformer backbone
  • MoT - Mixture-of-Transformers architecture

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
8c9dea8

0 моделей