/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
27 июл 2026

VLA-finetuned

Языковая модельИзображение, текст → action

Набор дообученных vision-language-action политик для управления рукой UR10e в задачах манипуляции по визуальным наблюдениям и инструкциям.

0скачиваний за 30 дней0лайковвеса обновлены28 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

xijiazhao/VLA-finetuned — набор дообученных vision-language-action политик для манипуляций роботизированной рукой UR10e. Автор сравнивает варианты SmolVLA, X-VLA и GR00T, обученные на одном реальном наборе данных из 285 эпизодов и проверенные на отложенных эпизодах. Опубликованы полные дообучения и LoRA-варианты; для LoRA также доступны слитые контрольные точки, которые можно загружать как самостоятельные модели. В метаданных указан формат safetensors и лицензия Apache-2.0.

Модели предназначены для предсказания действий робота по визуальным наблюдениям и инструкциям в задачах манипуляции. Для некоторых вариантов приведены метрики открытого воспроизведения траекторий, но успешность выполнения задач не измерялась; для X-VLA отложенная оценка отсутствует. Набор данных невелик, поэтому низкая обучающая ошибка сама по себе не подтверждает обобщение. При загрузке требуется соответствующий стек LeRobot или Isaac-GR00T и процессоры предобработки; у X-VLA токенизатор может загружать facebook/bart-large, а размеры состояния в конфигурациях SmolVLA и X-VLA устарели.

Сценарии применения

  • предсказание траекторий действий для манипуляционной руки UR10e
  • воспроизведение действий по визуальному наблюдению и языковой инструкции
  • сравнение полного дообучения и LoRA для робототехнических политик
  • экспериментальная оценка политик на отложенных траекториях реального робота

Ограничения

Для X-VLA отсутствуют отложенные метрики, а для всех моделей не измерялась доля успешного выполнения задач; показатели открытого воспроизведения траекторий не равны успешности. Набор обучения мал, для инференса необходима корректная цепочка предобработки и совместимые библиотеки; конфигурации состояния SmolVLA и X-VLA содержат устаревшие размеры.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLA finetunes on UR10e multi-task manipulation

Four vision-language-action policies finetuned on the same real-robot dataset, so their representations can be compared under a common protocol. Each is shipped both as the LoRA adapter it was trained as and as a merged, directly-loadable checkpoint (except the full finetune, which is already a full model).

Dataset

bag100/ur10e-multitask — a real UR10e arm, not simulation.

episodes285 train / 50 held-out val
frames51,215 train / 9,201 val
tasks7
rate15 fps
cameras3 × 180×320 (exterior_1 overhead = primary, wrist, exterior_2)
state7 = 6 joint positions (rad) + gripper [0,1]
action7 = 6 joint velocities (±0.9 rad/s) + gripper

Split is seed-0 and identical across every model here. Normalization statistics were computed on the train split alone.

Models

All four ran 20,000 optimizer steps on the same split.

folderbasetrainablerecipe
smolvla-ur10e-lora (+-merged)SmolVLA 0.45 BLoRA r=32 α=64 on expert q/v + projectionsbs 32/GPU, lr 1e-4
smolvla-ur10e-fullSmolVLA 0.45 Ball 0.45 Bbs 16/GPU, lr 5e-5
xvla-ur10e-lora (+-merged)X-VLA 0.89 B (lerobot/xvla-libero)13.6 M (1.5 %) — LoRA r=32 α=64 dr=0.05 on the policy-transformer blocks, plus soft_prompt_hub trained in fullbs 16, eff. batch 64, lr 1e-4
groot-ur10e-lora (+-merged)GR00T N1.5-3B328 M / 2.72 B (10.8 %) — LoRA r=64 α=128 + projectorsbs 16/GPU
groot-ur10e-fullGR00T N1.5-3B≈1.5 B / 2.72 B — vision tower + action head, Eagle LLM frozenbs 8/GPU
xvla-ur10e-fullX-VLA 0.89 Ball 879.5 Mbs 16/GPU, eff. batch 64, lr 5e-5

Three of the seven are full finetunes (smolvla-ur10e-full, groot-ur10e-full, xvla-ur10e-full); the rest are LoRA. Every LoRA arm ships both the adapter and a pre-merged standalone checkpoint, so nothing here requires fetching a base model to run.

X-VLA is the one architecture present as a matched LoRA/full pair trained on identical data with the same effective batch, which makes it the cleanest comparison in the repo — once either arm has a held-out score.

X-VLA's soft prompts are its cross-embodiment mechanism; pure LoRA would have frozen the UR10e domain at its LIBERO value, so they are in modules_to_save. Its action_mode is auto (AutoActionSpace), not the base's ee6d.

Held-out evaluation

Chunked open-loop replay on the 50 held-out episodes. nMSE = per-dim MSE ÷ per-dim variance of the held-out actions, averaged: 1.0 = no better than predicting the dataset mean, 0 = perfect.

modelnMSE ↓jointsgripperMAE (rad/s)grip-acc
smolvla-ur10e-full0.29160.33000.06120.044096.2 %
groot-ur10e-full0.31460.35990.04300.040797.6 %
groot-ur10e-lora0.36130.41110.06250.045197.0 %
smolvla-ur10e-lora0.38490.43610.07750.053595.9 %
xvla-ur10e-fullnot yet measured————
xvla-ur10e-loranot yet measured————
control: train-mean action1.00041.00031.00120.129654.8 %
control: constant zero1.20821.01512.36620.141745.2 %
control: un-finetuned base, zero-shot1.62421.71991.05010.171743.8 %

The zero-shot control matters: an un-finetuned base checkpoint on these episodes scores worse than emitting zeros, so clearing 1.0 is informative rather than automatic.

Neither X-VLA arm has a held-out number yet, so both sit unscored above. Their training losses:

step1004K8K12K16K20K
xvla-ur10e-lora1.1870.2150.1460.1240.1060.115
xvla-ur10e-full1.1030.0410.0190.0110.0070.006

The LoRA arm flattens from ~14K steps and ends marginally above its own 16K minimum; the full arm reaches ~19× lower loss and was still descending at 20K. On 285 episodes that gap is equally consistent with a better fit and with memorization — training loss cannot separate them, and the open-loop replay that would has not been run for either. Treat it as a statement about optimization, not generalization.

No success rate was measured for any model here — these are open-loop trajectory metrics, not task success.

Loading

Merged checkpoints (LeRobot policies):

from lerobot.policies.smolvla.modeling_smolvla import SmolVLAPolicy
from lerobot.policies.factory import make_pre_post_processors

policy = SmolVLAPolicy.from_pretrained("smolvla-ur10e-lora-merged")
pre, post = make_pre_post_processors(
    policy_cfg=policy.config, pretrained_path="smolvla-ur10e-lora-merged",
    preprocessor_overrides={"device_processor": {"device": "cuda"}})
action = post(policy.select_action(pre(batch)))   # -> (B, 7)

XVLAPolicy for the X-VLA folders. The processor pipeline is not optional — normalization, key renaming and language tokenization all live in policy_preprocessor.json + policy_*_normalizer_processor.safetensors, not inside the policy. Calling select_action on a raw dict skips all of it.

GR00T folders need the Isaac-GR00T codebase; experiment_cfg/metadata.json carries the new_embodiment normalization statistics that Gr00tPolicy reads at inference.

Gotchas

  1. config.json declares a stale observation.state width. SmolVLA says 6, X-VLA says 8; the real state is 7. The value is inherited from each base checkpoint and is inert at runtime — the saved 7-dim normalizer statistics are what the pipeline actually broadcasts against — but building an input tensor from config.input_features["observation.state"] will produce a confusing shape error. Trust the stats, not the config. The action shape (7) is correct everywhere.
  2. X-VLA's preprocessor downloads facebook/bart-large for its tokenizer step at load time. Under HF_HUB_OFFLINE=1 with a cold cache it fails.
  3. LeRobot's checkpoint writer omits the "type" discriminator that PreTrainedConfig.from_pretrained requires; it has been written back into every config.json here.
  4. X-VLA needs a LeRobot revision that includes the xvla policy.

Both full finetunes beat their LoRA twins here, on a dataset (285 episodes) small enough that the opposite would not have been surprising. The 0.45 B SmolVLA also beats the 2.72 B GR00T on nMSE, so parameter count is not what orders this table.

Not included

Two finetunes on the same dataset are deliberately absent: π0.5 LoRA (open-loop nMSE 0.6404) and an OpenVLA-OFT LoRA (7.65 B, 20,000 steps, completed) — both exist and are archived, just not published here.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
388c078

0 моделей