Производная модели VLA-Arena/openvla-7b-oft-finetuned-vla-arena. Дообученная OpenVLA 7B модель принимает изображение и текстовую команду и предсказывает действия робота для манипуляционных задач.

Подходит для: управление манипулятором по изображению и текстовой инструкции · выполнение базовых задач манипуляции уровня L0 · оценка обобщения роботизированной политики на новые ситуации

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

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

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

Дообученная OpenVLA 7B модель принимает изображение и текстовую команду и предсказывает действия робота для манипуляционных задач.

Подходит для: управление манипулятором по изображению и текстовой инструкции · выполнение базовых задач манипуляции уровня L0 · оценка обобщения роботизированной политики на новые ситуации

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

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

Mage-VL — мультимодальная модель Microsoft на базе визуального кодировщика Mage-ViT и Qwen3-4B для понимания изображений, видео и потоковых событий.

Подходит для: ответы на вопросы по изображениям · ответы на вопросы по видеозаписям · поиск и временная локализация событий в видео

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

Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.

Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах

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

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

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

Дообученный чекпойнт OpenVLA для предсказания действий робота по изображениям и инструкциям в пространственных задачах LIBERO.

Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · генерация последовательности действий для пространственных задач LIBERO · эксперименты с vision-language-action моделями

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

InternVLA-M1 — дообученная мультимодальная VLA-модель для разработки универсальных роботизированных политик по визуальным наблюдениям и языковым инструкциям.

Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · разработка универсальной роботизированной политики · исследование моделей vision-language-action

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

Дообученный чекпойнт OpenVLA для предсказания действий робота по изображению и инструкции в сценариях LIBERO-Goal.

Подходит для: генерация управляющих действий робота по изображению сцены · выполнение текстовых инструкций в симуляторе LIBERO-Goal · планирование последовательности действий для манипуляции объектами

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

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

Подходит для: управление роботом по языковой инструкции и визуальному наблюдению · предсказание действий робота с учётом последовательности предыдущих кадров · оценка систем роботизированного управления на LIBERO

AlayaWorld — основанная на LTX-2.3 модель Alaya Lab для генерации длительных интерактивных видеосцен по изображению.

Подходит для: создание видео по исходному изображению · генерация длительных видеосцен · создание интерактивных игровых миров в виде видео

DeepThinkVLA — VLA-модель, которая рассуждает по визуальной обстановке перед выдачей действий для роботизированных задач манипуляции.

Подходит для: выполнение роботами задач манипуляции по визуальным наблюдениям · планирование действий робота с предварительным текстовым рассуждением · оценка устойчивости роботизированной политики к изменению обстановки

GigaBrain-0.7-3.5B-Base — VLA-модель для понимания визуальных и языковых сигналов и генерации действий роботов по инструкциям.

Подходит для: управление роботом по текстовой инструкции · выполнение бытовых задач на роботизированной платформе · выполнение промышленных задач роботом