/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
MIT
Архитектура
openvla · dense
Опубликована
10 июл 2026

VLADrop_OpenVLA-OFT_LIBERO_Drop30Block_Endpoints

Изображение и текст → текст

Сжатый и дообученный вариант OpenVLA-OFT для предсказания действий робота по зрительным наблюдениям и текстовым инструкциям в задачах LIBERO.

16скачиваний 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

VLADrop-OpenVLA-OFT-LIBERO-DTR30 — исследовательский чекпойнт модели зрительно-языкового управления роботами, подготовленный для работы в задачах LIBERO. Он получен из предварительно обученной OpenVLA-OFT: удалены декодерные блоки Llama 2 с индексами 1–30, оставлены блоки 0 и 31, после чего уменьшенная плотная модель дообучена для восстановления качества; LoRA ранга 32 объединена с весами. В статье для этой конфигурации заявлено ускорение выполнения задач в 2,60 раза.

Модель принимает визуальное наблюдение и текстовое описание задачи и предсказывает действия робота. Для оценки требуется модифицированная версия Transformers; информация о поддерживаемых языках и размере контекста в доступных данных отсутствует. Весовые файлы представлены в формате safetensors. Лицензия — MIT.

Сценарии применения

  • предсказание действий робота по изображению и инструкции
  • оценка управления роботом на задачах LIBERO
  • исследование удаления трансформерных блоков в VLA-моделях

Ограничения

Для запуска оценки требуется модифицированная версия Transformers. Модель оптимизирована для задач LIBERO; доступные сведения не подтверждают её применимость к другим роботам или средам.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-OpenVLA-OFT-LIBERO-DTR30

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 'Keep 2 Language' / Table 5 'DTR-30' (2.60x task speedup)
Dropped blocksLlama-2 decoder blocks [1..30] (keep blocks 0 and 31)
Recovery trainingLoRA rank 32 (merged), batch size 16, 50K steps, lr 5e-4
LIBERO success rateSpatial 97.2 / Object 99.0 / Goal 95.4 / Long 88.6 / Avg 95.1; LIBERO-Goal speed benchmark: SR 90.0, 2.94x action speedup, 3.06 GB

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
6b8b275

0 моделей