/ 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-Reduced

Изображение и текст → текст3 профессии

Сокращённый и восстановительно дообученный чекпойнт OpenVLA-OFT для управления роботом по изображениям и языковым инструкциям в задачах LIBERO.

15скачиваний 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-drop-half-action — исследовательский чекпойнт модели Vision-Language-Action, подготовленный в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO. В чекпойнте уменьшена скрытая размерность MLPResNet в action head с 4096 до 2048; визуальная и языковая основы сохранены. После сокращения выполнено восстановительное дообучение с LoRA rank 32, объединённой с весами, в течение 100 тысяч шагов.

Это полный чекпойнт OpenVLA-OFT с уже встроенными изменениями графа модели; для оценки требуется модифицированная библиотека transformers-openvla-oft-dropped. Лицензия — MIT. README описывает оценку в LIBERO, но не приводит численных результатов, поэтому качество выполнения задач по этим данным оценить нельзя.

Сценарии применения

  • управление роботом по изображению и текстовой инструкции
  • оценка сокращённого action head на задачах LIBERO
  • исследование избыточности блоков Vision-Language-Action моделей

Ограничения

Для оценки требуется модифицированная версия transformers-openvla-oft-dropped. README не приводит численных показателей качества; размер контекста и поддерживаемые естественные языки не указаны.

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-drop-half-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 Drop Half Action
Dropped blocksAction head (MLPResNet): reduce hidden dimension 4096 -> 2048. Vision and language backbone untouched.
Recovery trainingLoRA rank 32 (merged), batch size 16, 100K steps, lr 5e-4
LIBERO success rateSpatial 92.4 / Object 99.0 / Goal 93.6 / Long 92.8 / Avg 94.5

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
7904e47

0 моделей