/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
18 июл 2026

open-world-ar-wm

Языковая модельИзображение, текст → action

Набор авторегрессионных видеомоделей мира на базе Wan2.1-T2V-1.3B для предсказания сцен роботизированных манипуляций и оценки воспроизведения траекторий.

0скачиваний за 30 дней0лайковвеса обновлены29 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

Коллекция авторегрессионных блочных причинных видеомоделей мира для манипуляций роботами, разработанная на базе DiT Wan2.1-T2V-1.3B. В репозитории представлены недистиллированные контрольные точки для двух сценариев: двухракурсная модель для одноручного робота Franka на данных DROID и трёхракурсная модель для бимануальной платформы TRI. Они принимают видеоизображения с нескольких камер и нормализованные действия робота; трёхракурсная модель дополнительно требует геометрические данные камеры и траектории.

Модели предназначены для воспроизведения траекторий в открытом цикле, оценки политик и интерактивного управления роботом с помощью SpaceMouse; трёхракурсная контрольная точка сейчас поддерживает только воспроизведение траекторий. Архитектура использует блоково-причинное авторегрессионное предсказание видео, размер входных кадров — 192×320, история — 4 кадра. Контрольные точки обучены без дистилляции и для предварительного семплирования требуют 32 шага.

Лицензия — Apache-2.0. Ограничения зависят от контрольной точки: трёхракурсная бимануальная модель требует геометрического кондиционирования, имеет несовместимый с разрешением по имени конфиг и пока не работает с оценкой политик или телеоперацией в имеющемся rollout-пути.

Сценарии применения

  • воспроизведение траекторий манипуляции робота в открытом цикле
  • оценка политик управления роботом по видеопредсказанию
  • телеоперация одноручного робота Franka с помощью SpaceMouse
  • предсказание видео для двухракурсной сцены DROID
  • воспроизведение траекторий бимануального робота TRI по трём ракурсам

Ограничения

Модели недистиллированы и требуют 32-шагового семплера. Трёхракурсная модель требует геометрических входов, пока поддерживает только воспроизведение траекторий и не разрешается по имени из-за устаревшего формата конфигурации.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

open-world AR world-model checkpoints

Autoregressive (block-causal) video world models for robot manipulation, built on the Wan2.1-T2V-1.3B DiT backbone. Use them with the open-world repo for open-loop trajectory replay, policy evaluation, and interactive SpaceMouse teleoperation.

Each model is a self-contained folder: the weights, the inference config that reproduces the geometry the checkpoint was trained with, and its action-normalization stats.

wm_student_2view/
├── wm_student_2view.pt     # ARWorldModel state_dict
├── inference_config.py     # get_args() -> ARWMArgs  (canonical config)
└── stats.json              # train-set action percentiles (7-d)

Available models

Both are undistilled students: sample with the many-step (32) preview schedule, and do not pass --distilled.

modelrobot / dataviewsaction inputgeom. condresolvable by name
wm_student_2viewDROID (Franka, single-arm)2 — 1 exterior + wristcartesian absolute EEF pose, 7-d—✅
wm_student_3view_bimanualTRI bimanual platform3 — scene + 2 wristscartesian absolute, 20-d (per arm xyz + rot6d + gripper)camera_cond (9 ch → 25 in)⚠️ not yet

wm_student_2view

A DROID world model at 192×320, 2 height-stacked views. Actions are absolute 7-d cartesian EEF poses (xyz + Euler-XYZ + gripper) injected per-frame (cross_attn_aligned), with fully-causal single-frame blocks and 4 frames of history. Plain 16-channel latent input — no geometric conditioning, so no geometry sidecar is needed at inference.

Supports trajectory replay, policy evaluation, and teleoperation.

This is an undistilled student: it needs the 32-step sampler. Its inference_config.py sets stage="student_init", which is what selects that schedule — do not pass --distilled (that few-step deployment schedule is for a distilled checkpoint and produces a blurry colour-wash here). Few-step (2/4-step) distilled releases are planned; they will be separate entries in the table above.

wm_student_3view_bimanual

The TRI bimanual platform at 192×320, 3 height-stacked views (scene + 2 wrists), 20-d cartesian absolute actions, and a 16-d aux state head. This is a camera_cond model: patch_embedding.weight is (1536, 25, 1, 2, 2) — 16 latent + 9 geometry channels (3 trajectory band + 6 camera ray-map) — so it is not loadable with a 16-channel config, and geometry inputs must be supplied at inference.

Two caveats today:

  • Its inference_config.py is still the older constants-style file (NUM_CAMS = 3, …) rather than a get_args() -> ARWMArgs factory, so passing the model name to the repo does not work yet — only wm_student_2view resolves by name. Use an explicit --config configs/inference/ar_wan_student_3view_bimanual.py with a downloaded checkpoint path.
  • Trajectory replay only. Policy evaluation and teleoperation go through a rollout path that has no camera_cond support (it allocates 16-channel latents and passes no geometry), and expects a 7-d DROID state rather than this model's 20-d bimanual vector.

Usage

The repo resolves a model name to this folder and downloads what it needs, so you do not have to manage paths or keep a config in sync:

# open-loop trajectory replay
python scripts/replay_ar.py \
    --config wm_student_2view --checkpoint wm_student_2view \
    --latent-root <droid_latents> --split val

# policy evaluation (pi0.5 closed-loop inside the world model)
uv run python scripts/run_evaluation.py --config configs/evaluation/teleop_ar_pi05.yaml

# interactive teleoperation
python scripts/interactive_ar.py --config wm_student_2view --checkpoint wm_student_2view

To fetch a whole model folder directly instead:

hf download tennyyyin/open-world-ar-wm --include 'wm_student_2view/*' \
    --local-dir checkpoints/ar_wm
# the bimanual model must be fetched this way (it does not resolve by name yet):
hf download tennyyyin/open-world-ar-wm --include 'wm_student_3view_bimanual/*' \
    --local-dir checkpoints/ar_wm

See the repo docs: docs/MODELS.md, docs/EVAL.md, docs/TRAJECTORY_REPLAY.md, docs/TELEOPERATION.md.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
a6710dd

0 моделей