/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
807 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-VL-397B-A17B
Библиотека
transformers
Опубликована
25 мая 2026

RoboFine-VLM-397B-A17B

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная модель Qwen3.5-VL для ответов на вопросы и пошагового описания видео манипуляций роботов.

72скачиваний за 30 дней8лайковвеса обновлены4 окт 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

RoboFine-VLM — модель компьютерного зрения и языка, разработанная авторами статьи FineVLA и дообученная на базе Qwen/Qwen3.5-VL-397B-A17B. Она предназначена для понимания видео манипуляций роботов: отвечает на вопросы о происходящем и создаёт пошаговые описания действий с разбором последовательности, исполнителя и целевых объектов. Модель поддерживает видео и изображения, в том числе многокамерные видео; архитектура Qwen3.5 MoE содержит 397 млрд параметров. В карточке приведены результаты оценки на RoboFine-Bench и параметры запуска: 4 кадра в секунду и до 512 кадров.

Модель подходит для анализа роботизированных манипуляций и подготовки детализированных аннотаций траекторий. Для запуска требуются значительные вычислительные ресурсы: в режиме BF16 указано около 752 ГБ весов и минимум восемь GPU H200; для FP8 — около 376 ГБ весов и минимум восемь GPU A100/H100. Распространяется по лицензии Apache-2.0. Карточка не сообщает длину контекста.

Сценарии применения

  • ответы на вопросы о действиях робота в видео
  • пошаговая аннотация траекторий манипуляции
  • определение задействованной руки или исполнительного механизма
  • идентификация целевого объекта в роботизированной сцене
  • анализ многокамерных видео манипуляций

Ограничения

Для запуска нужны большие вычислительные ресурсы: в карточке указаны минимум восемь GPU H200 для BF16 или восемь GPU A100/H100 для FP8. Заявленные оценки относятся к RoboFine-Bench и сами по себе не гарантируют качество на других данных.

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

RoboFine-VLM

Project Page Paper GitHub HuggingFace

RoboFine-VLM is a fine-tuned Vision-Language Model for robot manipulation video understanding, built on Qwen3.5-VL-397B-A17B. It was introduced in the paper FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies.

Authors: Xintong Hu, Xuhong Huang, Jinyu Zhang, Yutong Yao, Yuchong Sun, Qiuyue Wang, Mingsheng Li, Sicheng Xie, Yitao Liu, Junhao Chen, Yixuan Chen, Yingming Zheng, Shuai Bai, and Tao Yu.

Model Details

AttributeValue
Base ModelQwen3.5-VL-397B-A17B
ArchitectureQwen3.5 MoE (Mixture of Experts)
Total Parameters397B
Active Parameters~17B (10 of 512 experts per token)
Text Backbone60 layers, hidden=4096
Vision Encoder27 layers, hidden=1152, patch=16
TrainingSFT on robot manipulation data
Max Context262,144 tokens
LicenseApache 2.0

Capabilities

  • Robotic Video VQA: Visual question answering on robot manipulation videos (multi-view supported)
  • Fine-Grained Manipulation Annotation: Step-by-step captioning across 10 dimensions:
DimensionWhat it captures
Action SequenceStep-by-step execution order
Active ActorWhich arm / end-effector to use
Target ObjectObject disambiguation
Initial ConfigurationStarting state of objects and robot
Final ConfigurationEnd state after manipulation
Contact & ApproachWhere and how contact is made
Trajectory & OrientationMotion path and tool orientation
Body MotionFull-body or joint-level movement
Object InteractionHow objects relate during manipulation
Failure & RecoveryError handling and recovery behavior

Benchmark Results

Evaluated on RoboFine-Bench, a comprehensive benchmark for robotic video understanding.

VQA (VLM4Robotics Benchmark)

Evaluated on 500 robot manipulation samples across 10 datasets.

ModelOverallGnd.Act.State
AATOICASC&AT&OBMOIFCF&R
Qwen3-VL-Plus47.757.747.144.256.045.246.960.046.239.642.9
Qwen3.5-Plus55.973.160.058.456.649.453.880.038.557.142.9
Doubao-Seed-2.0-Pro58.563.555.353.262.449.758.870.053.864.350.0
Gemini-3.1-Pro59.684.660.053.265.158.751.780.050.058.857.1
GPT-5.460.284.660.049.464.760.753.180.061.559.950.0
RoboFine-VLM (Ours)68.282.765.968.870.669.063.0100.061.565.478.6

Caption (VLM4Robotics Benchmark)

Fine-grained step decomposition of robot manipulation videos.

ModelEasyHard
OverallCons.Cov.A-Hal.OverallCons.Cov.A-Hal.
Qwen3-VL-Plus75.475.258.292.864.467.454.371.6
Qwen3.5-Plus76.675.359.195.572.471.055.191.2
Doubao-Seed-2.0-Pro80.278.568.293.873.472.463.784.1
Gemini-3.1-Pro80.179.962.797.775.975.758.593.4
GPT-5.481.479.572.192.578.073.866.893.4
RoboFine-VLM (Ours)83.282.172.794.882.280.471.694.8

Settings: fps=4, max_frames=512, temperature=0.0, top_p=0.95, thinking=able(only RoboFine-VLM don't use thinking)

Quick Start

[!Important] RoboFine-VLM is built on Qwen3.5-VL-397B-A17B. Inference efficiency and throughput vary significantly across frameworks. We recommend using the latest framework versions to ensure optimal performance and compatibility.

Using RoboFine-VLM via the Chat Completions API (OpenAI SDK)

After serving the model with a framework like vLLM or SGLang, you can use the following code:

from openai import OpenAI
import httpx

client = OpenAI(
    api_key="EMPTY",
    base_url="http://localhost:8000/v1",
    http_client=httpx.Client(timeout=httpx.Timeout(600.0, connect=60.0)),
)

# Single-view video (frame URLs as video type)
messages = [{"role": "user", "content": [
    {
        "type": "video",
        "video": [
            "https://your-bucket.oss.aliyuncs.com/frame_0000.jpg",
            "https://your-bucket.oss.aliyuncs.com/frame_0001.jpg",
            # ... more frame URLs
        ],
        "max_frames": 512,
    },
    {"type": "text", "text": "Describe the robot manipulation in this video."},
]}]

response = client.chat.completions.create(
    model="RoboFine-VLM-opensource",
    messages=messages,
    temperature=0.0,
    top_p=0.95,
    max_tokens=32768,
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)
print(response.choices[0].message.content)

Hardware Requirements

PrecisionModel WeightsMinimum GPUsTotal VRAM
BF16~752GB8× H200-141GB1128GB
FP8~376GB8× A100/H100-80GB640GB
  • 8× H200-141GB: BF16 full precision, no quantization needed
  • 8× A100/H100-80GB: Requires FP8 quantization (--quantization fp8)

Training Data

Fine-tuned on FineVLA-Data: 47,159 human-verified trajectories with fine-grained instructions, generated by FineVLA-Tool and validated through human inspection.

Citation

@article{hu2026finevla,
  title={FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies},
  author={Hu, Xintong and Huang, Xuhong and Zhang, Jinyu and Yao, Yutong and Sun, Yuchong and Wang, Qiuyue and Li, Mingsheng and Xie, Sicheng and Liu, Yitao and Chen, Junhao and others},
  journal={arXiv preprint arXiv:2605.27284},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
b11db15

0 моделей