Модель VLA-Adapter на базе Qwen2.5-0.5B преобразует изображение и текстовую инструкцию в действия робота для задач манипуляции LIBERO-Spatial.

Подходит для: управление роботом-манипулятором по визуальному наблюдению и текстовой команде · выполнение пространственных задач бенчмарка LIBERO-Spatial · оценка vision-language-action моделей в симуляционных робототехнических сценариях

VLA-модель на основе Qwen2.5-0.5B, которая использует изображение и текстовую инструкцию для генерации действий робота в задачах Libero-Long.

Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · выполнение манипуляционных задач бенчмарка Libero-Long · исследование компактных моделей Vision-Language-Action

OpenVLA 7B принимает англоязычные инструкции и изображения рабочей зоны и предсказывает действия для управления роботами-манипуляторами.

Подходит для: управление роботом-манипулятором по текстовой инструкции и изображению с камеры · перемещение конечного эффектора и управление захватом предметов · выполнение знакомых задач манипуляции без дополнительного обучения

Мультимодальная VLA-модель NVIDIA для рассуждений о дорожной обстановке и прогнозирования траектории автомобиля в сценариях автономного вождения.

Подходит для: прогнозирование траектории автомобиля по данным камер и истории движения · объяснение решений системы автономного вождения · ответы на вопросы о дорожной сцене

Компактная модель LeRobot преобразует изображения, состояние робота и необязательную инструкцию на естественном языке в непрерывные управляющие действия.

Подходит для: дообучение политики управления манипулятором на демонстрациях · перекладывание предметов по текстовой инструкции · управление роботом по изображениям с нескольких камер

Компактная VLA-модель, которая преобразует изображения и текстовые условия в действия робота для задач LIBERO-Object.

Подходит для: управление роботом по изображению и текстовой инструкции · выполнение объектовозависимых манипуляций в бенчмарке LIBERO-Object · исследование компактных моделей vision-language-action

Набор LoRA-адаптеров для ускорения генерации видео моделью MiniMax-H3 за счёт дистилляции параллельного декодирования.

Подходит для: ускоренная генерация видео по текстовому описанию · генерация видео из исходного видео с FL2VA · генерация видео по референсному изображению с Ref2VA

Промежуточный чекпойнт VLA-Adapter для управления роботом SO-101 при перемещении кубика по визуальной сцене.

Подходит для: управление SO-101 для толкания кубика · предсказание непрерывных действий робота по изображению и инструкции · эксперименты с визуально-языковым управлением манипулятором

Дообученная зрительно-языковая модель, которая предсказывает действия робота по изображению и текстовому условию в задачах Libero-Object.

Подходит для: предсказание действий робота по изображению сцены и текстовой инструкции · выполнение манипуляционных задач бенчмарка Libero-Object · исследование компактных моделей Vision-Language-Action

X-VLA-Pt — дообученная визуально-языковая модель управления, которая преобразует наблюдения и инструкции в действия робота для разных платформ.

Подходит для: управление манипулятором по визуальной сцене и текстовой инструкции · перенос навыков манипуляции между типами роботов · выполнение роботизированных задач в симуляции

X-VLA 0.9B — модель зрения, языка и действий для выполнения роботизированных манипуляций на разных платформах и в симуляциях.

Подходит для: управление роботом для выполнения манипуляций по визуальному наблюдению · выполнение задач Libero в симуляции · адаптация политики управления к разным воплощениям роботов

Базовая vision-language-action-модель π₀.₅ от Physical Intelligence принимает изображения, состояние робота и инструкцию, чтобы предсказывать действия и дообучаться для задач робототехники.

Подходит для: дообучение политики управления роботизированной рукой · выполнение манипуляций по текстовой инструкции · перенос робототехнических навыков в новые условия

Набор LoRA-адаптеров для Wan2.1-Fun, повышающих оценку соответствия видео человеческим предпочтениям при генерации по тексту.

Подходит для: генерация видео по текстовым описаниям с адаптером HPS v2.1 · генерация видео по текстовым описаниям с адаптером MPS · эксперименты с оптимизацией видео по моделям оценки предпочтений

Базовая vision-language-action-модель для дообучения управлению роботами по изображениям, состоянию робота и языковым инструкциям.

Подходит для: дообучение управления роботом-манипулятором · выполнение роботизированных манипуляций по текстовой инструкции · обучение политик управления по данным с нескольких камер

Дообученная зрительно-языковая модель для управления роботом по изображению и текстовой инструкции в сценариях LIBERO-Long.

Подходит для: выполнение роботизированных манипуляций по текстовой инструкции · управление роботом с учётом изображения с камеры · оценка политики управления на бенчмарке LIBERO-Long

Модель X-VLA для управления роботом по изображениям, состоянию робота и необязательной языковой инструкции с выдачей непрерывных действий.

Подходит для: управление роботом в задачах LIBERO · выбор действий робота по изображениям с нескольких камер · выполнение роботом языковых инструкций

Базовая Vision-Language-Action модель LeRobot для дообучения и управления роботами по изображениям, состоянию робота и текстовым инструкциям.

Подходит для: дообучение управления роботом-манипулятором под конкретную задачу · управление роботом по изображениям с нескольких камер · выполнение роботизированных задач по текстовой инструкции

Набор LoRA-адаптеров для генерации изображений на основе FLUX.1-dev с характеристиками трёх вариантов SRPO.

Подходит для: генерация изображений по текстовым описаниям с FLUX.1-dev · добавление характеристик SRPO к базовой FLUX.1-dev · сравнение результатов разных вариантов SRPO

Мультимодальная модель TaichuAI на 9 млрд параметров для понимания изображений и видео, пространственных рассуждений и многошаговых агентных задач.

Подходит для: ответы на вопросы по изображениям, документам и графикам · распознавание и интерпретация текста на изображениях · анализ событий и поиск деталей в видеозаписях

Экспериментальный LoRA-адаптер Gemma 4 E2B IT для диалогов в роли компаньона с использованием извлечённых воспоминаний и воспроизведения ранних результатов проекта.

Подходит для: Воспроизведение результатов раннего этапа SFT-проекта · Диалоговые ответы в заданной персоне · Персонализация диалога с помощью извлечённых воспоминаний

Дообученная 10B VLA-модель NVIDIA для интерпретации дорожной обстановки и прогнозирования действий автомобиля в системах автономного вождения.

Подходит для: анализ дорожных сцен для автономного вождения · прогнозирование траектории автомобиля по видеоклипам · оценка дорожной обстановки для планирования движения

SpatialVLA — дообученная зрительно-языковая модель для управления роботами по изображениям и текстовым инструкциям в знакомых ей сценариях.

Подходит для: управление роботом по изображению и текстовой команде · выполнение манипуляционных задач на роботах из обучающих сценариев · оценка политики управления роботом в симуляторе

OpenVLA-OFT — зрительно-языковая модель управления роботом, дообученная для манипуляционных задач LIBERO-Object.

Подходит для: предсказание действий робота по изображению сцены и текстовой инструкции · манипуляция объектами в задачах LIBERO-Object · генерация последовательности действий робота для симуляции

OpenVLA 7B, дообученная на LIBERO-10, предсказывает действия робота по изображению и текстовой инструкции для задач манипуляции в симуляторе.

Подходит для: выполнение манипуляционных задач LIBERO-Long в симуляторе · предсказание действий робота по визуальному наблюдению и текстовой инструкции · оценка робототехнической политики на бенчмарке LIBERO-10