/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
10 июл 2026

VLADrop_pi05_RoboTwin_place-dual-shoes_Drop12Block_GateProbe

Языковая модельИзображение, текст → action

Экспериментальный сокращённый чекпойнт VLA-модели для управления роботом при размещении пары обуви в RoboTwin 2.0.

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-pi05-RoboTwin-place-dual-shoes-drop12-gate для управления роботом в задаче RoboTwin 2.0 «разместить пару обуви». Он создан в рамках исследования Drop-Then-Recovery, посвящённого избыточности Vision-Language-Action-моделей: из предварительно обученной VLA-модели удалили 12 из 18 блоков языкового энкодера PaliGemma, выбранных методом GateProbe для этой задачи, а затем дообучили уменьшенную модель для восстановления качества. Зрительная и action-части оставлены без изменений.

Модель предназначена для выполнения конкретной задачи размещения обуви в среде RoboTwin 2.0. Это чекпойнт формата openpi для pi0.5 на PyTorch; для запуска README указывает форк VLADrop. Опубликован под лицензией Apache-2.0. Данные не сообщают размер модели, длину контекста или поддерживаемые естественные языки.

Сценарии применения

  • управление роботом при размещении пары обуви
  • исследование удаления блоков из vision-language-action-модели
  • оценка восстановления качества VLA-модели после сокращения

Ограничения

Чекпойнт обучен для одной конкретной задачи RoboTwin 2.0 и удаляет 12 из 18 блоков языкового энкодера, поэтому его применимость за пределами этой задачи не подтверждена. Для запуска требуется форк VLADrop.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLADrop-pi05-RoboTwin-place-dual-shoes-drop12-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 'place dual shoes' Drop-12
Dropped blocksLanguage backbone (PaliGemma, 18 layers): drop 12 whole blocks selected by per-task GateProbe; keep blocks [0,1,2,3,4,5]. Vision and action untouched.
Recovery trainingsingle-task RoboTwin 2.0, FLOPs-matched to baseline (step 34234), lr 5e-5
RoboTwin 2.0 success rateEasy 3 / Hard 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
f5beb60

0 моделей