/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
MIT
Архитектура
simplememvla · dense
Опубликована
2 сен 2026

simplememvla_robomme

Языковая модельИзображение, текст → action3 профессии

SimpleMemVLA — модель управления роботом, которая использует визуально-языковую историю в формате видео с временными метками для предсказания действий.

134скачиваний за 30 дней0лайковвеса обновлены9 сен 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

SimpleMemVLA — модель типа vision-language-action (VLA), разработанная авторами проекта SimpleMemVLA. Она сохраняет выбранные кадры истории без изменения и подаёт их в основу модели как видео с временными метками, используя self-attention как механизм работы с памятью. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям с учётом предыдущих кадров.

В README сообщается о результатах на четырёх тестах памяти и сопоставимой с лучшими универсальными моделями управления производительности на LIBERO. Репозиторий содержит контрольные точки и датасеты для RMBench, RoboMME, MIKASA-Robo, RoboMemArena и LIBERO. В метаданных указаны архитектура SimpleMemVLAForActionPrediction, формат safetensors и задача robotics. Лицензия — MIT. README не сообщает размер модели и поддерживаемые языки.

Сценарии применения

  • управление роботом по языковой инструкции и визуальному наблюдению
  • предсказание действий робота с учётом последовательности предыдущих кадров
  • оценка систем роботизированного управления на LIBERO
  • исследование памяти в моделях vision-language-action

Ограничения

Заявленные результаты относятся к указанным бенчмаркам; README не описывает показатели за их пределами. Для практического развёртывания инструкции и требования следует уточнять в репозитории проекта.

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

SimpleMemVLA

SimpleMemVLA: A Simple but Effective Native-Video Memory for Vision-Language-Action Models
Paper · Project Page · Code

SimpleMemVLA is a vision-language-action (VLA) model that keeps the sampled history intact and feeds it to the backbone in a timestamped video format, using self-attention as the only memory interface. It achieves state-of-the-art results on four memory benchmarks and matches the best general-purpose control performance on LIBERO.

Checkpoints and datasets are released for five benchmarks (RMBench, RoboMME, MIKASA-Robo, RoboMemArena, LIBERO). See the GitHub repository for training, evaluation, and deployment instructions.

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
SimpleMemVLAForActionPrediction
Ревизия весов
6bf7204

0 моделей