/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
26,7 ГБ
Лицензия
Apache 2.0
Архитектура
llava_llama · dense
Базовая модель
vicuna-13b-v1.5
Опубликована
19 сен 2024

robopoint-v1-vicuna-v1.5-13b

Генерация текстаТекст → текст3 профессии

Визуально-языковая модель, которая по изображению и текстовой инструкции указывает точки для выполнения робототехнических действий.

341скачиваний за 30 дней3лайкавеса обновлены21 сен 2024

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

RoboPoint-v1-Vicuna-13B — открытая визуально-языковая модель, разработанная авторами RoboPoint и дообученная на базе lmsys/vicuna-13b-v1.5. Модель принимает изображение вместе с текстовой инструкцией и определяет точку или область, связанную с возможным действием в сцене, например свободное место на полке рядом с нужным предметом.

Модель предназначена для пространственного понимания сцен и выдачи точечных указаний для робототехнических задач, а также для визуальных вопросов и ответов. Она построена на архитектуре LlavaLlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекстное окно 4096 токенов. Обучение включало данные по робототехнике и визуальным вопросам и ответам; опубликованный набор данных — wentao-yuan/robopoint-data.

Результат следует проверять перед использованием для управления физическим роботом: карточка не описывает гарантии точности или безопасность действий. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск свободного места на полке по изображению
  • указание точки захвата или взаимодействия с объектом
  • определение места для действия по текстовой инструкции и сцене
  • ответы на визуальные вопросы о пространственном расположении объектов

Ограничения

Выдаваемые точки и рекомендации не сопровождаются заявленными гарантиями точности или безопасности; перед применением на физическом роботе результат следует проверять.

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

RoboPoint-v1-Vicuna-13B

RoboPoint is an open-source vision-language model instruction-tuned on a mix of robotics and VQA data. Given an image with language instructions, it outputs precise action guidance as points.

Primary Use Cases

RoboPoint can predict spatial affordances—where actions should be taken in relation to other entities—based on instructions. For example, it can identify free space on a shelf in front of the rightmost object.

Model Details

This model was fine-tuned from lmsys/vicuna-13b-v1.5 and has 13 billion parameters.

Date

This model was trained in June 2024.

Resources for More Information

Training dataset

See wentao-yuan/robopoint-data.

Citation

If you find our work helpful, please consider citing our paper.

@article{yuan2024robopoint,
  title={RoboPoint: A Vision-Language Model for Spatial Affordance Prediction for Robotics},
  author={Yuan, Wentao and Duan, Jiafei and Blukis, Valts and Pumacay, Wilbert and Krishna, Ranjay and Murali, Adithyavairavan and Mousavian, Arsalan and Fox, Dieter},
  journal={arXiv preprint arXiv:2406.10721},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_llama неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
508ed28

0 моделей