/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 июл 2026

VLADrop_pi05_RoboTwin_click-bell_Drop16Block_GateProbe

Языковая модельИзображение, текст → action

Сокращённый и дообученный чекпойнт vision-language-action модели pi0.5 для управления роботом в задаче RoboTwin 2.0 «click bell».

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_RoboTwin_click-bell_Drop16Block_GateProbe — чекпойнт модели vision-language-action для управления роботом в задаче RoboTwin 2.0 «click bell». Он создан в рамках исследования Drop-Then-Recovery: из предварительно обученной VLA-модели удалили блоки трансформера, затем дообучили уменьшенную плотную модель для восстановления качества на одной задаче.

В языковой части PaliGemma удалено 16 из 18 слоёв; оставлены слои 0 и 2. Визуальная и управляющая части не изменялись. Обучение восстановления было сопоставлено с базовой моделью по числу FLOPs. Чекпойнт использует формат openpi для pi0.5 и веса PyTorch; для запуска требуется форк VLADrop. Лицензия — Apache-2.0.

Модель предназначена для проверки управления роботом после сокращения языкового трансформера в сценарии нажатия на звонок. Карточка не сообщает измеренные результаты качества или ограничения применения за пределами этой задачи.

Сценарии применения

  • управление роботом при нажатии на звонок в RoboTwin 2.0
  • оценка восстановления VLA-модели после удаления языковых слоёв
  • исследование сжатия моделей vision-language-action для робототехники

Ограничения

Чекпойнт восстановительно дообучен только для одной задачи RoboTwin 2.0 — «click bell», поэтому его пригодность для других задач не установлена. В языковой части удалено 16 из 18 слоёв PaliGemma; карточка не приводит количественных результатов качества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-pi05-RoboTwin-click-bell-drop16-gate

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 17 / Figure 4: RoboTwin 2.0 'click bell' Drop-16
Dropped blocksLanguage backbone (PaliGemma, 18 layers): drop 16 whole blocks selected by per-task GateProbe; keep blocks [0,2]. Vision and action untouched.
Recovery trainingsingle-task RoboTwin 2.0, FLOPs-matched to baseline (step 59795), lr 5e-5
RoboTwin 2.0 success rateEasy 33 / Hard 48

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
69492bd

0 моделей