/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
10,8 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Опубликована
10 июл 2026

VLADrop_OpenVLA-OFT_LIBERO_Drop16MLP_Uniform

Изображение и текст → текст3 профессии

Сокращённый и восстановительно дообученный вариант OpenVLA-OFT для предсказания действий робота по изображению и языковому контексту в задачах LIBERO.

14скачиваний за 30 дней0лайковвеса обновлены12 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

Это контрольная точка VLADrop на базе OpenVLA-OFT, подготовленная для исследования «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Модель предназначена для предсказания действий робота по визуальному наблюдению и языковому контексту, в частности для оценки на задачах LIBERO.

В чекпойнте сохранены слои MHA, а MLP-подслои удалены в 16 нечётных слоях 32-слойного Llama 2 backbone. После удаления модель прошла восстановительное дообучение с LoRA ранга 32, затем веса адаптера были объединены. Конфигурация содержит списки удалённых слоёв для автоматического восстановления сокращённого графа при оценке. Для запуска требуется модифицированная библиотека transformers-openvla-oft-dropped. Лицензия — MIT.

Сценарии применения

  • оценка влияния удаления MLP-подслоёв на действия VLA-модели
  • предсказание действий робота в задачах LIBERO
  • сравнение эффективности сжатых моделей vision-language-action
  • воспроизведение экспериментов Drop-Then-Recovery

Ограничения

Для оценки требуется модифицированная библиотека transformers-openvla-oft-dropped; README описывает проверку на LIBERO и не подтверждает универсальность за пределами этого сценария.

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-mlp-only

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 2: OpenVLA-OFT MLP (granularity study)
Dropped blocksLlama-2 backbone (32 layers): drop only the MLP sublayers of the 16 odd-indexed blocks [1,3,5,...,31]. MHA sublayers kept.
Recovery trainingLoRA rank 32 (merged), batch size 16, 50K steps, lr 5e-4
LIBERO success rateSpatial 83.2 / Object 96.0 / Goal 15.4 / Long 72.8 / Avg 65.6

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
228fe7f

0 моделей