/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Опубликована
5 апр 2026

Robo-Dopamine-GRM-2.0-4B-Preview

Изображение и текст → текст3 профессии

Мультимодальная модель оценивает прогресс роботизированных манипуляций по описанию задачи и изображениям состояний, формируя сигнал вознаграждения для обучения с подкреплением.

1 438скачиваний за 30 дней1лайквеса обновлены13 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Robo-Dopamine-GRM-2.0-4B-Preview — мультимодальная модель вознаграждения для оценки прогресса при роботизированных манипуляциях. Она разработана командой Robo-Dopamine и дообучена на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает описание задачи и изображения нескольких ракурсов начального, целевого, предыдущего и следующего состояний, после чего оценивает относительный прогресс или регресс выполнения.

Модель предназначена для формирования плотного сигнала вознаграждения при обучении роботов с подкреплением. Метод объединяет оценки прогресса с нескольких перспектив, а Dopamine-RL использует их для настройки вознаграждения с сохранением оптимальной политики; заявлена совместимость с разными алгоритмами обучения с подкреплением. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Это предварительная версия с 4 млрд параметров на архитектуре Qwen3-VL. Она ориентирована на оценивание прогресса в задачах манипуляции по визуальным наблюдениям, а не на универсальный диалог или непосредственное управление роботом. Качество и переносимость оценок зависят от задачи и визуальных данных; для адаптации к новой задаче описан подход с одной демонстрацией.

Сценарии применения

  • оценка прогресса робота между двумя состояниями манипуляции
  • выявление регресса при выполнении роботизированной задачи
  • формирование плотного сигнала вознаграждения для обучения робота с подкреплением
  • адаптация оценки вознаграждения к новой задаче по одной демонстрации

Ограничения

Модель предназначена для оценки прогресса по изображениям и описанию задачи; README не заявляет прямое управление роботом. Это предварительная версия, поэтому переносимость и точность на новых задачах могут требовать адаптации.

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

🗞️ News

  • 2026-04-05: 🤗 We released Robo-Dopamine-GRM-2.0-4B-Preview model.
  • 2026-03-05: 🤗 We released Robo-Dopamine-GRM-2.0-8B-Preview model. More General, More Powerful!!!
  • 2026-03-02: 🤗 We released Robo-Dopamine-GRM-8B model
  • 2026-02-22: 🔥🔥🔥 Robo-Dopamine gets accepted to CVPR 2026! See you in Denver, Colorado, USA!
  • 2026-02-10: ⚡ We released data generation pipeline and finetune codes. Try to finetune with your own data.
  • 2026-01-26: 🔍 We released Robo-Dopamine-Bench benchmark and evaluation codes.
  • 2026-01-08: 🤗 We released Robo-Dopamine-GRM-3B model and inference codes.
  • 2025-12-30: ✨ Codes, Dataset and Weights are coming soon! Stay tuned for updates.
  • 2025-12-30: 🔥 We released our Project Page of Robo-Dopamine.

🤖 Overview

Robo-Dopamine is composed of two core components: (a) Dopamine-Reward Modeling Method -- At the heart of our reward modeling is to build the General Reward Model (GRM), a vision-language model that is prompted with a task description and conditioned on multi-view images of initial, goal, "BEFORE," and "AFTER" states to predict a relative progress or regress hop. To ensure a stable and accurate signal, we employ Multi-Perspective Progress Fusion, which combines incremental, forward-anchored, and backward-anchored predictions into a final fused reward. And (b) Dopamine-RL Training Framework -- The Dopamine-RL framework first adapts the pre-trained GRM to a novel task using a single demonstration, i.e., One-Shot GRM Adaptation. Subsequently, it uses a theoretically-sound Policy-Invariant Reward Shaping method to convert the GRM's dense output into a reward signal that accelerates learning without altering the optimal policy. This approach is universally compatible with a wide range of RL algorithms.

🛠️ Setup

# clone repo.
git clone https://github.com/FlagOpen/Robo-Dopamine.git
cd Robo-Dopamine

# build conda env.
conda create -n robo-dopamine python=3.10
conda activate robo-dopamine
pip install -r requirements.txt

💡 Simple Inference

import os
from examples.inference import GRMInference

model = GRMInference("tanhuajie2001/Robo-Dopamine-GRM-2.0-4B-Preview")

TASK_INSTRUCTION = "organize the table"
BASE_DEMO_PATH = "./examples/demo_table"
OUTPUT_ROOT = "./results"

## Note: If no target/goal image is provided, 
## please replace `GOAL_IMAGE_PATH` with the blank image "./examples/demo_table/blank_goal.png".
GOAL_IMAGE_PATH = "./examples/demo_table/goal_image.png" # "./examples/demo_table/blank_goal.png"

# select prediction model: Forward-Mode, Incremental-Mode or Backward-Mode
PREDICTION_MODE = "forward" # "incremental" or "backward"

# multi-view usage:
output_dir = model.run_pipeline(
    cam_high_path  = os.path.join(BASE_DEMO_PATH, "cam_high.mp4"),
    cam_left_path  = os.path.join(BASE_DEMO_PATH, "cam_left_wrist.mp4"),
    cam_right_path = os.path.join(BASE_DEMO_PATH, "cam_right_wrist.mp4"),
    out_root       = OUTPUT_ROOT,
    task           = TASK_INSTRUCTION,
    frame_interval = 10, # modify frame_interval as desired, but it shouldn't be set too small if using 'incremental'.
    batch_size     = 1, # please increase batch_size > 1, if you have enough GPU memory.
    goal_image     = GOAL_IMAGE_PATH,
    eval_mode      = PREDICTION_MODE,
    visualize      = True
)
print(f"Episode ({BASE_DEMO_PATH}) processed with multi-view {PREDICTION_MODE}-mode. Output at: {output_dir}")

# single-view usage:
output_dir = model.run_pipeline(
    cam_high_path  = os.path.join(BASE_DEMO_PATH, "cam_high.mp4"),
    cam_left_path  = os.path.join(BASE_DEMO_PATH, "cam_high.mp4"), # repeat cam_high
    cam_right_path = os.path.join(BASE_DEMO_PATH, "cam_high.mp4"), # repeat cam_high
    out_root       = OUTPUT_ROOT,
    task           = TASK_INSTRUCTION,
    frame_interval = 10, # modify frame_interval as desired, but it shouldn't be set too small if using 'incremental'.
    batch_size     = 1, # please increase batch_size > 1, if you have enough GPU memory.
    goal_image     = GOAL_IMAGE_PATH,
    eval_mode      = PREDICTION_MODE,
    visualize      = True
)
print(f"Episode ({BASE_DEMO_PATH}) processed with single-view {PREDICTION_MODE}-mode. Output at: {output_dir}")

📑 Citation

If you find our work helpful, feel free to cite it:

@article{tan2025robo,
  title={Robo-Dopamine: General Process Reward Modeling for High-Precision Robotic Manipulation},
  author={Tan, Huajie and Chen, Sixiang and Xu, Yijie and Wang, Zixiao and Ji, Yuheng and Chi, Cheng and Lyu, Yaoxu and Zhao, Zhongxia and Chen, Xiansheng and Co, Peterson and others},
  journal={arXiv preprint arXiv:2512.23703},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
68c8268

0 моделей