/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
15,1 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Опубликована
10 июл 2026

VLADrop_OpenVLA-OFT_LIBERO_ActionDim-Extreme

Изображение и текст → текст3 профессии

Сжатый чекпойнт OpenVLA-OFT для предсказания действий робота по визуальным наблюдениям и текстовым инструкциям в бенчмарке LIBERO.

10скачиваний за 30 дней0лайковвеса обновлены10 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

VLADrop-OpenVLA-OFT-LIBERO-extreme-action — исследовательский чекпойнт модели vision-language-action для управления роботом в задачах LIBERO. Он создан в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?» на основе OpenVLA-OFT: размер скрытого слоя MLPResNet в блоке предсказания действий сокращён с 4096 до 256, а визуальная и языковая основы оставлены без изменений. После сокращения модель дообучена для восстановления качества: LoRA ранга 32 объединена с весами, обучение проведено в течение 100 тысяч шагов.

Модель принимает визуальное наблюдение и текстовое описание задачи и предсказывает действия робота. Чекпойнт предназначен для оценки в бенчмарке LIBERO, включая сценарий libero_spatial. Для восстановления прореженной архитектуры при оценке требуются модифицированные Transformers из проекта VLADrop. Лицензия — MIT.

Сценарии применения

  • оценка сжатой VLA-модели на задачах LIBERO
  • управление роботом по изображению сцены и текстовой инструкции
  • сравнение влияния уменьшения action head на качество предсказания действий

Ограничения

Для оценки прореженной архитектуры требуются модифицированные Transformers из проекта VLADrop. Чекпойнт описан для бенчмарка LIBERO; данных о качестве за пределами этого сценария нет.

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

VLADrop-OpenVLA-OFT-LIBERO-extreme-action

Checkpoint for Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?.

DTR (Drop-Then-Recovery) removes transformer blocks from a pretrained VLA model and recovery-fine-tunes the smaller dense model. Code: https://github.com/s1ghhh/VLADrop

This checkpoint

Paper rowTable 1: OpenVLA-OFT Keep 2 Action (extreme action compression)
Dropped blocksAction head (MLPResNet): reduce hidden dimension 4096 -> 256. Vision and language backbone untouched.
Recovery trainingLoRA rank 32 (merged), batch size 16, 100K steps, lr 5e-4
LIBERO success rateSpatial 89.2 / Object 99.2 / Goal 76.6 / Long 90.8 / Avg 89.0

Usage

Merged full-weight OpenVLA-OFT checkpoint. The drop lists are baked into config.json (text_config.drop_attn_list / drop_mlp_list), so evaluation reconstructs the pruned graph automatically. Requires the VLADrop modified transformers (transformers-openvla-oft-dropped) from https://github.com/s1ghhh/VLADrop

python -m experiments.robot.libero.run_libero_eval_random_dropped \
    --pretrained_checkpoint <this_repo_local_path> \
    --task_suite_name libero_spatial \
    --num_trials_per_task 50 --center_crop True

Includes action_head--*.pt and proprio_projector--*.pt (L1 regression head, 2 input images + proprio).

Citation

@article{sun2026vladrop,
  title={Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?},
  author={Sun, Guoheng and Feng, Kaixi and He, Shwai and Gong, Xiaochuan and He, Yexiao and Wang, Ziyao and Shen, Zheyu and Ye, Wanghao and Kompella, Ramana Rao and Liu, Gaowen and Li, Ang},
  journal={arXiv preprint arXiv:2606.27755},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
099f623

0 моделей