/ Модель

Характеристики

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

deepthinkvla_libero_cot_sft

Языковая модельИзображение, текст → action3 профессии

DeepThinkVLA — модель vision-language-action для управления роботами, которая строит явные рассуждения перед генерацией действий.

148скачиваний 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 — vision-language-action-модель для роботов, разработанная для улучшения планирования с помощью явных рассуждений в формате Chain-of-Thought. Модель основана на чекпойнте pi0-FAST и использует гибридный декодер на 2,9 млрд параметров: текстовые токены рассуждений генерируются последовательно, а действия — параллельно блоками. Метаданные указывают архитектурное семейство PaliGemma и формат весов safetensors.

Модель предназначена для управления роботизированными агентами по визуальным наблюдениям и инструкциям, включая выполнение задач из LIBERO. В README сообщаются результаты 97,0% успешных выполнений на LIBERO, 79,0% при проверке устойчивости к сдвигу распределения в LIBERO-Plus и 59,3% на RoboTwin 2.0. Эти показатели относятся к указанным бенчмаркам и сами по себе не гарантируют аналогичного качества в других условиях. Карточка описывает SFT-версию в названии репозитория, а двухэтапный процесс SFT и RL представлен как подход DeepThinkVLA. Лицензия в предоставленных данных не указана.

Сценарии применения

  • управление роботом по визуальному наблюдению и инструкции
  • выполнение задач манипуляции на бенчмарке LIBERO
  • планирование последовательности роботизированных действий с промежуточными рассуждениями
  • оценка устойчивости роботизированной политики к сдвигу условий

Ограничения

Заявленные показатели получены на конкретных бенчмарках LIBERO, LIBERO-Plus и RoboTwin 2.0 и не характеризуют автоматически работу в реальных условиях. Лицензия и языковая поддержка в предоставленных данных не описаны.

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 (Chain-of-Thought). It refactors the policy into a hybrid-attention decoder that separates autoregressive reasoning from parallel action generation.

Overview

DeepThinkVLA introduces two key innovations for effective Chain-of-Thought (CoT) in robotics:

  1. Decoding Alignment: A hybrid-attention decoder that pairs causal attention for language (reasoning tokens) with bidirectional attention for parallel action decoding.
  2. Causal Alignment: A two-stage SFT-then-RL pipeline that aligns the reasoning-action chain with sparse task-success rewards, ensuring that the generated "thoughts" are causally linked to task success.

The model achieves a 97.0% success rate on the LIBERO benchmark and demonstrates strong robustness under distribution shifts in LIBERO-Plus (79.0% zero-shot success).

Architecture

DeepThinkVLA inserts a <think> segment between visual observations and robot actions. Starting from the pi0-FAST checkpoint, it uses a 2.9B parameter hybrid decoder. Reasoning tokens are generated autoregressively, after which the model switches to parallel decoding for action chunks to maintain low latency.

Performance

  • LIBERO: 97.0% average success rate (Object 99.0, Spatial 96.6, Goal 96.4, Long 96.2).
  • LIBERO-Plus: 79.0% zero-shot robustness.
  • RoboTwin 2.0: 59.3% success rate.

Setup and Evaluation

Please refer to the official GitHub repository for detailed instructions on environment setup, dataset acquisition, and running evaluation scripts.

Example evaluation command:

bash scripts/eval.sh --pretrained_checkpoint yinchenghust/deepthinkvla_libero_cot_sft

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
2edad55

0 моделей