Skip to content
Robotics

pi05_cube2cross_v2_fp32_vlm_lr05

политика управления роботом для сортировки кубиков

2 min readupdated

Модель предназначена для управления роботизированной рукой (ur5e_hand_e): она получает изображение с двух камер и текущее состояние суставов, а на выходе генерирует команды движения для захвата и переноса объектов. В основе лежит lerobot/pi05_base — адаптация Vision-Language-Action модели π₀.₅ (архитектура, объединяющая зрение, понимание текстовых команд и генерацию действий) на 4,14 млрд параметров, дообученная автором felsager в библиотеке LeRobot. В отличие от базовой версии, этот чекпоинт настроен на конкретную задачу выбора разноцветных кубиков по текстовой инструкции и их укладки на красный крест. Пригодится разработчикам и исследователям в области робототехники, работающим с манипуляторами Universal Robots UR5e и фреймворком LeRobot.

Ключевые особенности

  • Мультимодальный ввод: одновременно анализирует видеопоток с верхней камеры (top) и камеры на запястье (wrist) разрешением 640×480, а также вектор состояния робота размерностью 10.
  • Управление по текстовым командам: понимает естественные инструкции, различая цвета объектов (синий, зелёный, жёлтый и красный кубики).
  • Обучение на крупном датасете: дообучена на наборе felsager/vla_cubes_cross_v2, включающем 1000 эпизодов и 493 474 кадра с частотой 30 FPS.
  • Готовность к запуску: интегрирована в экосистему LeRobot (версия 0.6.2) и запускается стандартной CLI-командой lerobot-rollout.

Что можно сделать

  • Запустить на реальном роботе: развернуть политику на стенде с манипулятором ur5e_hand_e и двумя камерами для автоматического перекладывания кубиков на целевую метку.
  • Использовать как отправную точку: взять конфигурацию обучения (30 000 шагов, learning rate 5e-05) и дообучить модель на собственных записях манипуляций с другими предметами.

Пример

lerobot-rollout \
  --strategy.type=base \
  --robot.type=ur5e_hand_e \
  --robot.port= \
  --policy.path=felsager/pi05_cube2cross_v2_fp32_vlm_lr05 \
  --task="pick up the blue cube and place it on the red cross." \
  --duration=60
ПодробнееОбучение: 30 000 шагов, batch size 8, оптимизатор AdamW, learning rate 5e-05, seed 0.
Оценка: метрики успешности выполнения на реальном роботе в карточке пока не опубликованы.
Лицензия: gemma; для работы требуется настройка портов робота и двух камер (640×480, 30 FPS).
Discuss Telegram 0 27

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 15 GB · ready files17 GB
  • BF16weights 7.7 GB9.0 GB
  • FP8 / INT8recommendedweights 3.9 GB4.7 GB
  • 4-bitweights 2.2 GB2.9 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 4090

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # felsager/pi05_cube2cross_v2_fp32_vlm_lr05
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download felsager/pi05_cube2cross_v2_fp32_vlm_lr05 --local-dir ~/models/pi05_cube2cross_v2_fp32_vlm_lr05
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. paligemma-3b-pt-224family root
  2. pi05_base
  3. pi05_cube2cross_v2_fp32_vlm_lr05

New posts about versions of paligemma-3b-pt-224 (quants, finetunes, LoRAs) will show up under the bell.

Fine-tunes 12All on Hugging Face
LoRAs and adapters 12All on Hugging Face

About the model

felsager/pi05_cube2cross_v2_fp32_vlm_lr05
Author
felsager
Category
Robotics
Released
Posted

On NeyroLearn

Hugging Face

270

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments