/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 июл 2026

VLADrop_pi05_LIBERO_Drop13VisionBlock_Uniform

Компьютерное зрениеИзображение, текст → action

Экспериментальная VLA-модель на основе pi0.5 с удалённой половиной блоков визуального энкодера для управления роботом в задачах LIBERO.

0скачиваний 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-pi05-LIBERO-vision-drop-half — контрольная точка модели vision-language-action на основе pi0.5, подготовленная для эксперимента Drop-Then-Recovery из статьи «How Redundant Are Vision-Language-Action Models?». Разработчик удалил нечётные блоки из 27-слойного визуального энкодера SigLIP, оставив языковую и управляющую части без изменений, а затем провёл восстановительное дообучение: 30 тысяч шагов с размером пакета 32 и скоростью обучения 5e-5.

Модель предназначена для управления роботом в задачах LIBERO по визуальным и языковым входам. Это чекпойнт в формате openpi для PyTorch; для запуска требуется форк VLADrop. Репозиторий распространяется по лицензии Apache-2.0. Эксперимент проверяет, насколько можно сократить визуальную часть VLA-модели без потери её возможностей.

Сценарии применения

  • управление роботом в задачах LIBERO по изображению и инструкции
  • оценка влияния удаления блоков SigLIP на качество управления
  • воспроизводение эксперимента Drop-Then-Recovery для VLA-моделей

Ограничения

Удалена половина блоков визуального энкодера, поэтому характеристики модели могут отличаться от исходной pi0.5; README не приводит результатов оценки качества. Для запуска требуется форк VLADrop.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-pi05-LIBERO-vision-drop-half

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: pi0.5 Drop Half Vision
Dropped blocksVision encoder (SigLIP, 27 layers): drop all odd-indexed blocks [1,3,5,...,25] (attn+mlp). Language and action untouched.
Recovery trainingbatch size 32, 30K steps, lr 5e-5
LIBERO success rateSpatial 84.0 / Object 90.2 / Goal 82.0 / Long 66.8 / Avg 80.8

Usage

This is an openpi-format pi0.5 checkpoint (PyTorch). Use with the VLADrop fork: https://github.com/s1ghhh/VLADrop

python scripts/serve_policy_batch_drop.py \
    --config pi05_libero_dropped \
    --dir <this_repo_local_path> \
    --port 8000

Important: the drop lists are NOT stored inside the checkpoint. Pass the exact llm_drop_attn_list / llm_drop_mlp_list shown above (via config or CLI) when serving, otherwise layers will be mismatched. assets/ contains the LIBERO norm stats. The optimizer state (train_state/) is not included.

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 для роботов не запускаются как сервис инференса.

Ревизия весов
c6e7302

0 моделей