/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 июл 2026

VLADrop_pi05_LIBERO_Drop25VisionBlock_Endpoints

Компьютерное зрениеИзображение, текст → action

Экспериментальный чекпойнт pi0.5 с сокращённым зрительным энкодером для выполнения роботизированных задач в 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

Экспериментальный чекпойнт VLADrop для управления роботом в LIBERO, опубликованный авторами работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Это модель vision-language-action на основе pi0.5: в зрительном энкодере SigLIP оставлены только первый и последний блоки из 27, остальные удалены; языковая и управляющая части не изменены. После сокращения модель прошла восстановительное дообучение на 30 тысячах шагов с размером батча 32 и скоростью обучения 5e-5.

Чекпойнт предназначен для выполнения роботизированных задач в среде LIBERO и запускается в формате openpi на PyTorch через форк VLADrop. Модель принимает визуальные и языковые входы и выдает действия робота. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены сведения о поддерживаемых языках и длине контекста.

Сценарии применения

  • выполнение роботизированных задач в симуляторе LIBERO
  • управление роботом по визуальному наблюдению и языковой инструкции
  • исследование удаления блоков из vision-language-action моделей
  • оценка восстановления качества VLA-модели после сокращения зрительного энкодера

Ограничения

В зрительном энкодере оставлены только два из 27 блоков, поэтому возможности восприятия могут быть ограничены. Чекпойнт рассчитан на запуск через форк VLADrop в формате openpi на PyTorch.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-pi05-LIBERO-vision-keep2

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 Keep 2 Vision
Dropped blocksVision encoder (SigLIP, 27 layers): keep only blocks [0,26] (first & last), drop all others. Language and action untouched.
Recovery trainingbatch size 32, 30K steps, lr 5e-5
LIBERO success rateSpatial 69.4 / Object 75.2 / Goal 62.4 / Long 42.6 / Avg 62.4

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
d4fef2f

0 моделей