/ Модель

Характеристики

Размер весов
6,9 ГБ
Архитектура
paligemma · dense
Опубликована
29 сен 2025

deepthinkvla_libero_cot_rl

Языковая модельИзображение, текст → action3 профессии

Модель Vision-Language-Action, которая рассуждает по визуальным наблюдениям и описанию задачи, а затем генерирует действия робота.

74скачиваний 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 управления роботом, представленная авторами исследования «DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models». Она принимает визуальные наблюдения и описание задачи, генерирует цепочку рассуждений, а затем выдаёт последовательности действий робота. Гибридный декодер на 2,9 млрд параметров использует авторегрессионное декодирование для текста и параллельное декодирование действий; обучение включает SFT и последующее обучение с подкреплением GRPO.

Модель предназначена для выполнения роботизированных задач, в том числе сценариев бенчмарка LIBERO. В README сообщается об успехе 97,0% на LIBERO и устойчивости к сдвигам распределения в LIBERO-Plus. Карточка указывает архитектурное семейство PaliGemma и формат весов safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • выполнение задач манипуляции роботом по текстовой инструкции
  • управление роботом на основе изображений с камеры
  • генерация последовательностей действий для задач LIBERO
  • проверка устойчивости роботизированной политики к изменениям среды

Ограничения

Заявленные результаты относятся к бенчмаркам LIBERO и LIBERO-Plus; перенос на другие среды в предоставленных данных не описан. Сведения о лицензии и поддерживаемых естественных языках отсутствуют.

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 that enhances robot reasoning 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.

Overview

DeepThinkVLA identifies two necessary conditions for effective reasoning in robotics:

  1. Decoding Alignment: Reasoning and actions are generated using modality-appropriate mechanisms (causal attention for language and bidirectional attention for parallel action decoding).
  2. Causal Alignment: The reasoning chain is causally linked to task success via a two-stage training pipeline (SFT then Reinforcement Learning).

The model achieves a 97.0% success rate on the LIBERO benchmark and demonstrates significant robustness under distribution shifts in LIBERO-Plus.

Architecture

DeepThinkVLA inserts a <think> segment between observations and actions. Reasoning tokens are generated autoregressively, after which the decoder switches to bidirectional attention to emit action vectors in parallel. This hybrid approach resolves the modality conflict found in naive autoregressive VLA models.

Training Pipeline

  1. SFT Cold Start: Uses a two-stage CoT data engine to distill reasoning traces from cloud LVLMs and scale them to full trajectories.
  2. Outcome-Driven RL: Employs Grouped Reinforcement Policy Optimization (GRPO) to align the reasoning-action chain with sparse task-success rewards.

Citation

@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

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
OpenpiFastOft
Ревизия весов
9a11867

0 моделей