/ Модель

Характеристики

Размер весов
11,8 ГБ
Лицензия
Своя лицензия
Архитектура
WAM_DIT4DIT · dense
Библиотека
transformers
Опубликована
20 авг 2026

dexgys_grouped_wan22ti2v5b_L18_g6_pc48_txtcache512_joint-60k

Языковая модельИзображение, текст → action

Экспериментальный чекпойнт DexGYS предсказывает сгруппированное представление захвата предмета рукой Shadow Hand по текстовому условию и признакам облака точек.

6скачиваний за 30 дней0лайковвеса обновлены20 авг 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 экспериментальный совместный чекпойнт DexGYS от seungkukim для предсказания действий при захвате предметов роботизированной рукой Shadow Hand. Он объединяет дообученный видеобэкбон Wan2.2-TI2V-5B и голову действий DiT-B: на основе текстового условия и 48 пространственных токенов PartField из облака точек модель предсказывает 63-мерное представление захвата, сгруппированное в шесть анатомических групп. Чекпойнт обучен на 37 158 захватах 1 258 объектов; в репозитории находятся веса и банк признаков PartField.

Модель предназначена для робототехнических экспериментов по генерации позы кисти для захвата объектов. Для загрузки требуются базовый снимок Wan2.2-TI2V-5B и банк PartField; для текстового условия нужны закэшированные umT5-эмбеддинги либо доступный энкодер umT5. В README отмечены локальные пути, которые нужно переопределить при загрузке вне исходного окружения, и необходимость использовать банк признаков правильного разбиения данных. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории.

Сценарии применения

  • предсказание позы Shadow Hand для захвата объекта
  • генерация групп действий кисти робота по описанию задачи
  • эксперименты с захватом объектов по признакам облака точек

Ограничения

Для работы нужны базовый чекпойнт Wan2.2-TI2V-5B, банк признаков PartField и согласованное текстовое кондиционирование; неверный банк может без ошибки подставить признаки другого объекта. README не указывает лицензионные условия подробнее, чем метка other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DexGYS grouped-action (arm A2) @ step 60,000

DiT4DiT joint checkpoint — a Wan2.2-TI2V-5B video backbone plus a DiT-B action head that predicts the 63-D Shadow-Hand keypoint grasp as 6 anatomically grouped action tokens, conditioned on 48 spatial PartField point-cloud tokens. Trained on seungkukim/dexgys_video224_a0_lerobot (37,158 grasps over 1,258 objects) with cached umT5 text embeddings and feature extraction at block 18.

Full training run name: dexgys_grouped_ditjoint_wan22_L18_g15-9-9-9-12-9_pc48_txtcache512_pd16_ga1_effgb64_local

What is in here

Inference files only — 12 files, 11.84 GB of weights plus a 124 MB PartField bank. The 1,318 tensors in the shards are:

prefixtensorswhat
backbone.extractor.transformer.dit.*825finetuned Wan2.2 DiT
backbone.extractor.vae.*196Wan2.2 VAE
action_head.*297DiT-B head: 6 grouped action encoders/decoders + state encoder

Training-only artifacts are excluded: the DeepSpeed global_step60000/ optimizer state (~70 GB), rng_state_*.pth, scheduler.pt, trainer_state.json, training_args.bin, zero_to_fp32.py, latest, wandb_config.json.

The six anatomical action groups

action_group_widths = [15, 9, 9, 9, 12, 9] (sum = 63 = max_action_dim). Order is load-bearing — the head slices the 63-D target by these widths, so a permutation reorders the target with no error:

groupslicepoints
palm[0:15]palm, ff_root, rf_root, lf_root, th_root
ff[15:24]ff_pip, ff_dip, ff_tip
mf[24:33]mf_pip, mf_dip, mf_tip (no mf_root)
rf[33:42]rf_pip, rf_dip, rf_tip
lf[42:54]lf_mcp, lf_pip, lf_dip, lf_tip
th[54:63]th_hub, th_dip, th_tip

The PartField bank ships WITH this repo

DexGYS is stateless, so the state slot carries the object: the state group is one scalar join key (point_cloud_index) and the processor swaps it for 48 × 1024 PartField triplane tokens read from a frozen memmapped bank. That bank is data, not weights — it is absent from the shards, and the processor cannot build the state stream without it. Included here as:

ckpt/dexgys_pc_features/dexgys_partfield_k8.f16
ckpt/dexgys_pc_features/dexgys_partfield_k8.f16.json

Sidecar claims, all asserted at load: n_scenes=1258, num_tokens=48, feat_dim=1024, pool_kernel=8, split='train', frame = 'canonical object frame (render views=1, azimuth 0)'.

The split field matters: the eval bank RENUMBERS point_cloud_index densely over the 309 test scenes, so every test index is also a valid train index — a bank from the wrong split returns another object's features with no error anywhere.

External dependencies

Currently wan_model_path = /data/seungku/hf_cache/Wan2.2-TI2V-5B-Diffusers, pc_feature_path = /data/seungku/projects/wam/ckpt/dexgys_pc_features/dexgys_partfield_k8.f16.

config.json and processor_config.json still carry the local training paths (wan_model_path, pc_feature_path) and wan_local_files_only=true. Override both before loading this off-box, or cd into the snapshot and set pc_feature_path=ckpt/dexgys_pc_features/dexgys_partfield_k8.f16.

The base Wan2.2 snapshot is required either way — from_pretrained() builds the backbone from it and overlays these shards:

huggingface-cli download Wan-AI/Wan2.2-TI2V-5B-Diffusers --local-dir /path/to/Wan2.2-TI2V-5B-Diffusers

Text conditioning is not part of the checkpoint. This run trained against a precomputed umT5 cache (seq_len 512, formalize_language=False) selected by the WAM_TEXT_EMBED_CACHE environment variable, which config.json does not record. Either bake that cache (scripts/wam_dit4dit/precompute_text_embeds_wan22.py, ~87 GB at 512) or let umT5 encode live from the base snapshot. formalize_language must match what the cache was baked with.

Load

from gr00t.model.wam_dit4dit import WAMDiT4DiT

model = WAMDiT4DiT.from_pretrained("seungkukim/dexgys_grouped_wan22ti2v5b_L18_g6_pc48_txtcache512_joint-60k", torch_dtype="bfloat16")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
WAMDiT4DiT
Ревизия весов
51bf7ec

0 моделей