/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
18,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
16 сен 2026

X-Planner-9B-0916

Изображение и текст → текст

Мультимодальная модель на базе Qwen3.5, которая преобразует инструкции и многокамерные наблюдения в структурированные планы событий для длительных задач роботизированных манипуляций.

119скачиваний за 30 дней2лайкавеса обновлены23 сен 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

X-Planner-9B-0916 — мультимодальная модель планирования для длительных задач роботизированных манипуляций, выпущенная x-square-robot. Она принимает инструкцию, синхронизированные наблюдения с нескольких камер и, при наличии, историю выполнения, а затем предсказывает следующее событие, связанное с действием. Структурированный план передаётся последующей модели мира и действий, поэтому промежуточное состояние планирования можно анализировать отдельно.

Модель основана на плотной архитектуре Qwen3.5 с 9,4 млрд параметров и использует класс Qwen3_5ForConditionalGeneration. Поддерживает обработку изображений и видео, а также два режима вывода: читаемое событийное описание и компактное латентное состояние планирования с Staircase Decoding. Для запуска предназначена библиотека Transformers; веса размещены в формате safetensors и занимают около 18,82 ГБ в BF16. В карточке указаны английский и китайский языки, лицензия Apache-2.0.

Модель рассчитана на планирование, а не на непосредственное управление роботом: для выполнения плана требуется последующая модель мира и действий. Карточка не приводит оценку именно этой версии и отмечает, что для опубликованного набора материалов нет полного набора временных оценочных аннотаций и фиксированного сквозного протокола оценки.

Сценарии применения

  • планирование последовательности манипуляций робота по инструкции и изображениям
  • учёт многокамерных наблюдений при планировании действий робота
  • использование истории выполнения для обновления плана робота
  • формирование структурированного событийного состояния для модели управления роботом

Ограничения

Модель формирует планировочное состояние, но для исполнения требуется последующая модель мира и действий. Для этой версии не приведена отдельная оценка качества, а опубликованные материалы не содержат полного набора временных оценочных аннотаций и фиксированного сквозного протокола.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

X-Planner-9B-0916

Event-Structured Task Planning for Embodied Intelligence

Homepage Code Paper Benchmark License

X-Planner is a planning front end for long-horizon robot manipulation. It combines a high-level instruction, synchronized multi-view observations, and optional execution history to predict the next action-grounded event. The resulting structured plan is passed to a downstream world-action model, making the intermediate planning state explicit and inspectable.

The released X-Planner-9B-0916 model provides the Qwen3.5-based multimodal planner. It supports two complementary interfaces: a readable event mode for structured natural-language planning states, and a unified mode that produces compact latent planning states with Staircase Decoding.

X-Planner architecture. Multi-view observations and instructions are converted into structured events or latent planning states for a downstream world-action model.

Resources

Release contents

PropertyValue
ReleaseX-Planner-9B-0916
ArchitectureQwen3_5ForConditionalGeneration (Qwen3.5 9B architecture)
Stored parameters9,409,813,744
Weight precisionBF16
SerializationSafetensors, sharded at 5 GB
Transformers version recorded by the checkpoint5.2.0

The repository includes all model weights, the model/generation configuration, tokenizer, chat template, image/video processor configuration, and minimal checkpoint metadata. Sharding preserves all 760 tensors bit for bit. release_manifest.json records file hashes and the original, unsharded weights SHA-256 for provenance. Training logs, optimizer state, and machine-specific training paths are not required for inference and are not part of this release.

Download

python -m pip install -U huggingface_hub
hf download x-square-robot/X-Planner-9B-0916 \
  --local-dir checkpoints/X-Planner-9B-0916

For reproducible runs, add --revision <commit> using the desired revision from this repository's commit history.

Load with Transformers

Use Transformers with Qwen3.5 support (the checkpoint was saved with 5.2.0), PyTorch, and Accelerate. No custom remote model code is required.

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

checkpoint = "checkpoints/X-Planner-9B-0916"
processor = AutoProcessor.from_pretrained(checkpoint)
model = AutoModelForImageTextToText.from_pretrained(
    checkpoint,
    dtype=torch.bfloat16,
    device_map="auto",
    attn_implementation="sdpa",
).eval()
model.config.use_cache = True
model.config.text_config.use_cache = True

The weights occupy approximately 18.82 GB in BF16. Inference also needs memory for activations, visual tokens, and the generation cache; total memory use depends on the inputs and generation length.

Structured planning inference

The task-specific prompt, image preparation, history format, and output parser are defined by the X-Planner event-state runtime. After installing its dependencies and preparing an event snapshot, run from the code checkout:

python scripts/inference/run_event_planner.py \
  --checkpoint checkpoints/X-Planner-9B-0916 \
  --snapshot /path/to/event_snapshot \
  --output-dir work_dirs/inference

The event-state CLI requires an X-Planner-compatible data backend and a prepared event snapshot. See the code repository's installation and data-preparation instructions for the backend's public availability. The benchmark's raw video manifest is not a prepared event snapshot.

Benchmark and evaluation scope

The published benchmark contains 1,500 episodes, 3,490 videos, and episode-level planning metadata, with playable multi-view videos in Dataset Preview. Full temporal scoring annotations and a fixed end-to-end evaluation protocol are separate from this media release.

This model card does not report a new evaluation of X-Planner-9B-0916. Results from the technical report or other checkpoint revisions should retain their original model and evaluation provenance.

License

Model weights are distributed under Apache 2.0, consistent with the Qwen3.5-9B architecture's upstream model release. The X-Planner source code is MIT-licensed. Benchmark data and media retain their respective upstream terms, as described in the dataset card.

Citation

@article{xplanner2026event,
  title   = {X-Planner: Event-Structured Task Planning for Embodied Intelligence},
  author  = {{X Square Robot Team}},
  journal = {arXiv preprint arXiv:2609.25187},
  year    = {2026},
  url     = {https://arxiv.org/abs/2609.25187}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
6fad886

0 моделей