/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 июл 2026

VLADrop_pi05_LIBERO_Drop9Block_CosSim-Contiguous

Языковая модельИзображение, текст → action

Сжатый чекпойнт vision-language-action pi0.5 для управления роботом в задачах LIBERO по зрительным наблюдениям и языковым инструкциям.

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

Это контрольная точка VLADrop для модели vision-language-action pi0.5, подготовленная для исследования «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Из языкового бэкбона PaliGemma удалены 9 из 18 слоёв трансформера: сохранены слои 0, 1 и 11–17. Зрительная часть и компоненты управления действиями не изменялись.

Модель предназначена для управления роботом в задачах LIBERO по визуальным наблюдениям и языковым инструкциям. После удаления слоёв её дообучили для восстановления качества: 30 тысяч шагов, размер пакета 32, скорость обучения 5e-5. Чекпойнт представлен в формате openpi для PyTorch и распространяется по лицензии Apache 2.0. README не приводит результатов качества или сведений о поддерживаемых языках.

Сценарии применения

  • управление роботом в симуляторе LIBERO
  • выполнение роботом задач по языковым инструкциям
  • исследование удаления слоёв из VLA-моделей
  • оценка восстановления качества после сжатия модели

Ограничения

В языковом бэкбоне удалена половина слоёв; чекпойнт восстановительно дообучен, однако README не сообщает результаты оценки качества или сравнения с исходной моделью.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-pi05-LIBERO-metric-drop9-cossim-contiguous

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 3: CosSim contiguous (Drop-9 importance-metric comparison)
Dropped blocksLanguage backbone (PaliGemma, 18 layers): drop 9 whole blocks selected by CosSim contiguous; keep blocks [0,1,11,12,13,14,15,16,17]. Vision and action untouched.
Recovery trainingbatch size 32, 30K steps, lr 5e-5
LIBERO success rateSpatial / Object / Goal / Long / Avg = 94.6 / 94.8 / 86.4 / 76.4 / 88.0

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
3a83473

0 моделей