/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
octo-finetuned-libero
Библиотека
vla.cpp
Опубликована
21 сен 2026

octo-small-libero-gguf

Языковая модельИзображение, текст → action

GGUF-конверсия дообученной на LIBERO Octo-Small 1.5 для управления роботом по изображениям и текстовым инструкциям.

109скачиваний за 30 дней0лайковвеса обновлены21 сен 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

Octo-Small 1.5 — LIBERO — преобразованная в формат GGUF версия модели cyrusneary/octo-finetuned-libero для запуска через лёгкий движок вывода vla.cpp. Модель предназначена для управления роботом по изображению и текстовой инструкции в задачах LIBERO. В репозитории используется вариант Octo-Small, дообученный на LIBERO; исходный чекпойнт взят из эксперимента с 12 сохранениями, на шаге 60 000.

Архитектура сочетает два сверточных визуальных токенизатора SmallStem16, текстовый энкодер T5-base, 12-блочный трансформер с блочно-каузальной маской и диффузионную голову действий DDPM. Модель принимает основное изображение 256×256, изображение с камеры на запястье 128×128 и текстовую инструкцию длиной до 16 токенов; выдаёт последовательность действий размером 4×7. В GGUF включены визуальные компоненты, текстовый энкодер и словарь SentencePiece, поэтому отдельные файлы mmproj и токенизатор Python не нужны.

Перед запуском необходимо выбрать ключ статистики для денормализации из четырёх наборов LIBERO: движок не может выбрать его автоматически. Значение захвата в седьмом измерении действий намеренно остаётся ненормализованным; клиент LIBERO должен инвертировать и бинаризовать его. Для модели указана лицензия other; конкретные условия следует сверять с исходной карточкой и лицензией базовой модели.

Сценарии применения

  • управление манипулятором по текстовой инструкции и изображению сцены
  • выполнение задач манипуляции в симуляторе LIBERO
  • использование основного и запястного обзора камеры для предсказания действий
  • запуск VLA-модели через vla.cpp без отдельного Python-токенизатора

Ограничения

Для запуска нужно вручную выбрать статистику денормализации соответствующего набора LIBERO; иначе vla.cpp откажется выполнять модель. Выход захвата не нормализован и требует инвертирования и бинаризации на стороне клиента LIBERO.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Octo-Small 1.5 — LIBERO (GGUF for vla.cpp)

GGUF conversion of cyrusneary/octo-finetuned-libero (a LIBERO finetune of rail-berkeley/octo-small-1.5) for inference with vla.cpp, a lightweight C++ inference engine for Vision-Language-Action models built on top of llama.cpp.

Octo pairs two SmallStem16 convolutional image tokenizers with a T5-base text encoder, a 12-layer block transformer with a block-wise causal mask, and a DDPM diffusion action head. Both vision stems and the T5 encoder — including its SentencePiece vocabulary — are baked into the single GGUF, so there is no separate mmproj file and no Python tokenizer at inference time.

Source checkpoint

That upstream repo holds three finetuning experiments. This conversion uses the octo-small one (the other two are octo-base, which vla.cpp's Octo engine rejects — it is specialised to the small backbone):

2025-06-20_octo_small_1p5_libero_finetune/octo_finetune/experiment_20250620_175739/
  step 60000   (the final of 12 checkpoints, 5000 … 60000)

Files

FileSizeDescription
octo-small-libero-f32.gguf522 MiBCombined model — SmallStem16 ×2 + T5-base encoder (+ SentencePiece vocab) + block transformer + diffusion head + action statistics, F32

Geometry

Backbone384 hidden, 12 blocks, 6 heads, 1536 FFN
Imagesprimary 256×256, wrist 128×128
LanguageT5-base, 16 tokens (max_length=16, padding="max_length")
window_size1 (single frame; no observation history)
Actionhorizon 4 × dim 7, DDPM, 20 denoising steps

⚠️ Pick an un-normalisation key

The checkpoint carries statistics for four LIBERO suites:

liber_o10   libero_goal   libero_object   libero_spatial

Because there is more than one and none is named bridge_dataset, vla.cpp cannot auto-resolve which to un-normalise against and will refuse to run until you choose one:

export VLA_OCTO_UNNORM_DATASET=libero_object   # or libero_goal / libero_spatial / liber_o10

(liber_o10 is spelled that way upstream; it is the LIBERO-10 / long suite.)

Usage

# build with the Octo arch (on by default; needs a system protobuf for SentencePiece)
cmake -S . -B build -DGGML_CUDA=ON -DVLA_OCTO=ON && cmake --build build -j

# one-shot from the command line — Octo tokenizes the instruction in-process
VLA_OCTO_UNNORM_DATASET=libero_object ./build/vla-cli \
    -hf vrfai/octo-small-libero-gguf \
    --image primary.png --image wrist.png \
    --text "pick up the black bowl" --pretty

# or serve it
VLA_OCTO_UNNORM_DATASET=libero_object ./build/vla-server octo-small-libero-f32.gguf

vla-cli returns a 4×7 chunk of un-normalised actions. Dimension 6 (gripper) is passed through un-normalised by design — LIBERO clients invert and binarise it themselves.

Reproducing this conversion

python scripts/convert_octo_to_gguf.py \
    --ckpt <snapshot>/2025-06-20_octo_small_1p5_libero_finetune/octo_finetune/experiment_20250620_175739 \
    --step 60000 \
    --out octo-small-libero-f32.gguf

License

The upstream repository declares no license and ships no model card. The Octo project and the octo-small-1.5 base model it finetunes are MIT-licensed, but that does not automatically extend to a third party's finetuned weights — if your use matters legally, check with the upstream author. This repository redistributes those weights in GGUF form only, and adds no license of its own.

Как запустить

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

GPU в ailist

Универсальный рантайм · vla.cpp

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
a8739ff

0 моделей