Skip to content
Robotics

d1sh-molmospaces-pnp-ego

управление роботом от первого лица на базе d1-3B

2 min readupdated

Это дообученная визуально-языковая модель (VLM) от автора hmkang, созданная для управления роботом-манипулятором в задачах захвата и перемещения предметов (pick-and-place). На вход нейросеть получает кадры с внешней камеры и камеры на запястье робота, а на выходе предсказывает одно из 15 дискретных действий из словаря molmoego15 (сдвиги на 2 см, повороты на 10 градусов, захват или отпускание). Модель основана на компактной архитектуре LiquidAI/d1-3B и представлена в виде LoRA-адаптера (небольшой надстройки над весами базовой модели), обученного методом SFT (контролируемого дообучения). В отличие от стандартных моделей со свободным текстовым ответом, эта версия выдает откалиброванные команды строго в системе координат камеры на запястье и готова к дальнейшему обучению с подкреплением (RL). Решение пригодится исследователям и разработчикам в области робототехники и симуляций.

Ключевые особенности

  • Эгоцентрическая система координат: все команды перемещения (MV_*) и вращения (RT_*) рассчитываются относительно камеры на запястье робота (wrist_camera_zed_mini).
  • 15 дискретных действий: словарь molmoego15 включает 6 направлений сдвига по 2 см, 6 вариантов поворота на 10 градусов вокруг TCP, а также команды GRASP, RELEASE и DONE.
  • Калибровка под RL: в качестве рекомендуемого чекпоинта выбрана третья эпоха LoRA с минимальным значением NLL (0.3936), что защищает от излишней самоуверенности модели перед запуском RL.
  • Двухкамерный обзор: обучение проходило на паре изображений (внешняя камера exo1 и запястная камера), приведенных к разрешению 448×256 пикселей.

Что можно сделать

  • Запустить базовую политику в симуляции: использовать модель для управления манипулятором в среде MolmoSpaces при решении задач перекладывания объектов.
  • Продолжить обучение через RL: взять чекпоинт d1-3b-lora/epoch3 как хорошо откалиброванную отправную точку для дообучения с подкреплением в фреймворке d1-showharness-rl.
  • Сравнить с полным файнтюном: протестировать поведение легкого LoRA-адаптера против полноразмерного дообучения на валидационных эпизодах.

Пример

from transformers import AutoModel
from peft import PeftModel

base = AutoModel.from_pretrained("LiquidAI/d1-3B", revision="051bcc464b01b9f92942b364d9586b0ef5912432", trust_remote_code=True, dtype="bfloat16").cuda()
model = PeftModel.from_pretrained(base, "hmkang/d1sh-molmospaces-pnp-ego", subfolder="d1-3b-lora/epoch3")
ПодробнееМетрики лучшего чекпоинта (d1-3b-lora/epoch3): val NLL — 0.3936, точность (acc) — 85.69%, macro recall — 75.93%.
Датасет обучения: hmkang/molmospaces-pnp-ego-discrete-tokens (конфиг ego_straight, 10 010 эпизодов / 794 828 кадров; разделение 9 910 / 100 на обучение и валидацию).
Важно при запуске: для корректного промпта и списка вариантов ответа необходимо задать переменную D1_VOCAB=molmoego15.
Ограничения: папка с полным файнтюном (d1-3b-full) на момент публикации еще не загружена; лицензия соответствует базовой модели — LFM Open License v1.0.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 6.0 GB · ready files7.1 GB
  • FP8 / INT8recommendedweights 3.1 GB3.9 GB
  • 4-bitweights 1.8 GB2.5 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 · BF16 — from RTX 5060 Ti 8GB

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

This is a LoRA: counted together with its base model d1-3B.

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.

    # hmkang/d1sh-molmospaces-pnp-ego
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    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 LiquidAI/d1-3B --local-dir ~/models/d1-3B
    hf download hmkang/d1sh-molmospaces-pnp-ego --local-dir ~/models/d1sh-molmospaces-pnp-ego
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to d1-3B
  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

Requires the base model

LiquidAI/d1-3B

This model is a LoRA / adapter. Download the base model first, then load this one on top.

  1. LFM2.5-2.6B-Basefamily root
  2. LFM2.5-VL-3B
  3. d1-3B
  4. d1sh-molmospaces-pnp-ego

New posts about versions of LFM2.5-2.6B-Base (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 10All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 1All on Hugging Face

About the model

hmkang/d1sh-molmospaces-pnp-ego
Author
hmkang
Category
Robotics
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

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

Comments