/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
ti2v · dense
Опубликована
30 мая 2026

tau-0-wm

Языковая модельИзображение, текст → action3 профессии

τ₀-WM — модель мира для роботизированных манипуляций, которая прогнозирует видео будущего и действия по изображениям, инструкциям и состоянию робота.

493скачиваний за 30 дней18лайковвеса обновлены30 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

τ₀-World Model (τ₀-WM) — модель мира для роботизированных манипуляций, разработанная исследовательской группой SII Research. Она объединяет обучение политики, предсказание видео и оценку действий в одной предсказательной системе на общей видеодиффузионной основе Wan-2.2. В репозитории опубликованы две части: Video Action Model совместно предсказывает будущие визуальные представления и непрерывные последовательности действий, а симулятор прогнозирует многокамерное будущее при заданных действиях и оценивает прогресс выполнения задачи.

Модель принимает изображения с нескольких камер, текстовые инструкции и состояние робота; рассчитана на манипуляции двумя руками. Выход включает прогнозы будущих визуальных представлений, позы двух манипуляторов и состояние захватов; симулятор также выдаёт оценки прогресса. Обучение проводилось примерно на 27 300 часах разнородных данных, включая телоуправление реальными роботами, взаимодействия в стиле UMI и видео от первого лица. В метаданных указаны архитектурное семейство TI2V, формат PyTorch и английский язык. Репозиторий распространяется по лицензии Apache-2.0; README отсылает к GitHub за инструкциями по развёртыванию.

Сценарии применения

  • генерация последовательностей действий для двуручной роботизированной манипуляции
  • прогнозирование будущего видео по действиям робота
  • оценка прогресса кандидатов действий перед выполнением
  • управление роботом по текстовой инструкции и многокамерным наблюдениям

Ограничения

Модель ориентирована на двуручные манипуляции и заданное представление поз и состояний захватов; перенос на другие типы роботов или задачи в README не описан. Для развёртывания README направляет к официальному репозиторию GitHub.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

τ₀-World Model

This repository contains the official checkpoints for τ₀-World Model: A Unified Video-Action World Model for Robotic Manipulation.

Project Website | GitHub

τ₀-World Model (τ₀-WM) is a unified video-action world model that integrates policy learning, video prediction, and action evaluation within a single future-predictive framework. Built on a shared video diffusion backbone (Wan-2.2), τ₀-WM provides two complementary interfaces:

  1. Video Action Model (VAM): Jointly predicts future visual latents and continuous action chunks from multi-view observations, language instructions, and robot state.
  2. Action-conditioned Video Simulator: Rolls out candidate action chunks into multi-view futures and predicts dense task-progress scores.

The model is trained on approximately 27,300 hours of diverse data including real-robot teleoperation, UMI-style interaction, and egocentric human videos.

Released Checkpoints

This repository contains two complementary checkpoints of τ₀-WM:

ComponentRepository PathDescription
Video Action Model (VAM)Repository rootJointly predicts future visual latents and continuous action chunks from multi-view observations, language instructions, and robot states.
Action-conditioned Video Simulatorsimulator/Rolls out candidate action chunks into multi-view futures and predicts dense task-progress scores.

Download Checkpoints

Video Action Model

The Video Action Model is stored in the repository root. Download it without the simulator checkpoint using:

hf download sii-research/tau-0-wm \
  --exclude "simulator/**" \
  --local-dir checkpoints/tau-0/vam

Action-conditioned Video Simulator

The simulator is stored under the simulator/ directory. Download only the simulator checkpoint using:

hf download sii-research/tau-0-wm \
  --include "simulator/**" \
  --local-dir checkpoints/tau-0

Action Space

The model is designed for dual-arm manipulation with the following specifications:

  • State Input: Absolute poses of two end-effectors (14 channels: xyz + xyzw quaternion) and gripper state (2 channels).
  • Action Output: Absolute poses of end-effectors and gripper openness (16 channels total).
  • Internal Optimization: During pretraining, the model is optimized to predict relative poses (20 channels: xyz and 6d-rotation for each arm).

For detailed deployment instructions and environment setup, please refer to the official GitHub repository.

Citation

@article{zhou2026tau0wm,
  title={$\tau_0$-WM: A Unified Video-Action World Model for Robotic Manipulation},
  author={Zhou, Pengfei and Shengcong Chen and Di Chen and Jiaxu Wang and Rongjun Jin and Bingwen Zhu and Yike Pan and Songen Gu and Kuanning Wang and Shufeng Nan and Xingyu Qiu and Chenhao Qiu and Pu Yang and Yunuo Cai and Jianxiong Gao and Yifan Li and Yanwei Fu and Xiangyu Yue and Zhi Chen and Jianlan Luo},
  journal={arXiv preprint arXiv:2606.01027},
  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
bb30c3a

0 моделей