/ Модель

Характеристики

Размер весов
11,7 ГБ
Архитектура
paligemma · dense
Базовая модель
pi0fast_base
Библиотека
transformers
Опубликована
20 сен 2025

deepthinkvla_base

Языковая модельИзображение, текст → action3 профессии

DeepThinkVLA — VLA-модель, которая рассуждает по визуальной обстановке перед выдачей действий для роботизированных задач манипуляции.

111скачиваний за 30 дней0лайковвеса обновлены22 апр 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

DeepThinkVLA — модель Vision-Language-Action для роботов, разработанная для усиления рассуждений при выполнении задач манипуляции. Она основана на чекпойнте pi0-FAST и использует гибридный декодер с 2,9 млрд параметров: модель сначала формирует текстовую цепочку рассуждений, затем выдаёт блоки действий. Для языковых токенов применяется причинное внимание, а для параллельного декодирования действий — двунаправленное.

Модель обучалась в два этапа: SFT и последующее обучение с подкреплением методом GRPO, чтобы связать рассуждения с успешным выполнением задачи. В README сообщаются результаты на LIBERO, LIBERO-Plus и RoboTwin 2.0, включая 97% средней успешности на LIBERO и 79% устойчивости zero-shot к сдвигу распределения на LIBERO-Plus. Модель предназначена для роботизированных сценариев, где требуется интерпретировать визуальную обстановку и выдавать действия; веса представлены в формате safetensors для Transformers. Лицензия и перечень поддерживаемых языков в предоставленных данных отсутствуют.

Сценарии применения

  • выполнение роботами задач манипуляции по визуальным наблюдениям
  • планирование действий робота с предварительным текстовым рассуждением
  • оценка устойчивости роботизированной политики к изменению обстановки

Ограничения

В предоставленных данных не приведены сведения о лицензии и языковой поддержке. Заявленные результаты относятся к конкретным бенчмаркам и сами по себе не гарантируют качество в других роботизированных средах.

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

DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models

DeepThinkVLA is a Vision-Language-Action (VLA) model designed to enhance the reasoning capabilities of robotic agents through explicit deliberation. It refactors the policy into a 2.9B parameter hybrid decoder that generates a reasoning trace (Chain-of-Thought) before emitting action chunks.

Model Description

DeepThinkVLA addresses the challenges of integrating Chain-of-Thought (CoT) into VLA models by satisfying two key conditions:

  1. Decoding Alignment: It uses a hybrid-attention decoder that pairs causal attention for linguistic reasoning tokens with bidirectional attention for parallel action decoding.
  2. Causal Alignment: The model is trained via a two-stage SFT-then-RL pipeline (using GRPO) to ensure the reasoning chain is causally linked to task success.

The model is initialized from the pi0-FAST checkpoint and demonstrates significant performance gains on robotic manipulation benchmarks.

Performance

  • LIBERO: 97.0% average success rate.
  • LIBERO-Plus: 79.0% zero-shot robustness under distribution shifts.
  • RoboTwin 2.0: 59.3% success rate, exceeding prior VLA baselines by significant margins.

Citation

If you find this work helpful, please consider citing:

@article{yin2025deepthinkvla,
  title={DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models},
  author={Yin, Cheng and Lin, Yankai and Xu, Wang and Tam, Sikyuen and Zeng, Xiangrui and Liu, Zhiyuan and Yin, Zhouping},
  journal={arXiv preprint arXiv:2511.15669},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
PaliGemmaForConditionalGeneration
Ревизия весов
9dd8909

0 моделей