/ Модель

Характеристики

Лицензия
MIT
Базовая модель
stable-video-diffusion-img2vid
Опубликована
11 окт 2025

Ctrl-World

Языковая модельИзображение, текст → action3 профессии

Ctrl-World — дообученная модель мира, генерирующая видео роботизированных манипуляций с учётом действий для оценки и улучшения VLA-политик.

97скачиваний за 30 дней6лайковвеса обновлены3 ноя 2025

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

Ctrl-World — модель мира для роботизированных манипуляций, разработанная исследователями из Stanford University и Tsinghua University. Она дообучена на базе Stability AI Stable Video Diffusion Image-to-Video и обучена на датасете DROID, содержащем около 95 тысяч траекторий в 564 сценах с роботизированной рукой Franka Panda и захватом Robotiq.

Модель генерирует воображаемые сценарии взаимодействия робота с окружающей средой с учётом действий. Она предназначена для совместной работы с VLA-политиками: позволяет выполнять симуляции в контуре политики, оценивать выполнение инструкций и помогать улучшать следование им. Репозиторий содержит чекпойнт; подробности использования приведены в официальном репозитории проекта.

Модель принимает визуальное наблюдение и управляющие действия и предсказывает видео; основная область применения — робототехнические манипуляции. В метаданных указан английский язык, а лицензия модели — MIT.

Сценарии применения

  • симуляция роботизированных манипуляций в воображаемой среде
  • оценка следования инструкциям VLA-политиками
  • тестирование роботизированных политик без физических запусков
  • улучшение политик управления роботом с помощью симуляций

Ограничения

Модель обучена на траекториях DROID с роботизированной рукой Franka Panda и не описана как универсальная для других платформ и сред. Подробные инструкции по использованию находятся в отдельном репозитории.

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

Yanjiang Guo*, Lucy Xiaoyang Shi*, Jianyu Chen, Chelsea Finn

*Equal contribution; Stanford University, Tsinghua University

TL; DR:

Ctrl-World is an action-conditioned world model compatible with modern VLA policies and enables policy-in-the-loop rollouts entirely in imagination, which can be used to evaluate and improve the instruction following ability of VLA.

Model Details:

This repo include the Ctrl-World model checkpoint trained on opensourced DROID dataset (~95k trajectories, 564 scenes). The DROID platform consists of a Franka Panda robotic arm equipped with a Robotiq gripper and three cameras: two randomly placed third-person cameras and one wrist-mounted camera.

Usage

See the official Ctrl-World github repo for detailed usage.

Acknowledgement

Ctrl-World is developed from the opensourced video foundation model Stable-Video-Diffusion. The VLA model used in this repo is from openpi. We thank the authors for their efforts!

Bibtex

If you find our work helpful, please leave us a star and cite our paper. Thank you!

@article{guo2025ctrl,
  title={Ctrl-World: A Controllable Generative World Model for Robot Manipulation},
  author={Guo, Yanjiang and Shi, Lucy Xiaoyang and Chen, Jianyu and Finn, Chelsea},
  journal={arXiv preprint arXiv:2510.10125},
  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.

Ревизия весов
8cf8146

0 моделей