Skip to content
Robotics

Simpler-Faster-WAM (rope-kvadapter-textca)

голова действий для роботов на базе Wan

2 min readupdated

Модель представляет собой лёгкий модуль управления (action head) для робототехники, который предсказывает 32 последовательных 7-мерных действия манипулятора по текущему кадру с фронтальной и наручной камер, 8-мерному состоянию робота и текстовой инструкции. Разработка автора TongtongLiang опирается на замороженный бэкбон Simple-WAM, видео-энкодер Wan VAE и текстовый энкодер T5, сохраняя нативное 3D-позиционное кодирование RoPE (метод учёта координат и времени в трансформерах). От базовых версий решение отличается добавлением поканальных аффинных адаптеров для ключей и значений (KV-adapter) и модуля перекрёстного внимания к тексту с маскированием нулевого паддинга T5, что позволяет корректно обрабатывать изменённые и нестандартные формулировки команд. Инструмент пригодится исследователям и инженерам, тестирующим политики управления роботами в симуляторах LIBERO и LIBERO-Plus.

Ключевые особенности

  • Две версии весов только для инференса: обычные (raw) и сглаженные методом экспоненциального скользящего среднего (ema с коэффициентом 0.995) после 10 эпох обучения.
  • Архитектура ActionDiT с 32 обучаемыми запросами действий, 24 головами внимания и статическим слиянием признаков по всем 30 видеослоям бэкбона.
  • Поддержка произвольных текстовых инструкций благодаря переменной длине Flash Attention и фильтрации пустых токенов T5 до подачи в MLP.
  • Готовая интеграция с форматом данных LeRobot и симулятором LIBERO-Plus, включая встроенную нормализацию состояний и инверсию команд захвата.

Что можно сделать

  • Запустить оценку политики управления манипулятором на задачах из наборов libero_spatial, libero_object, libero_goal и libero_10 в симуляторе LIBERO-Plus.
  • Протестировать устойчивость робота к языковым пертурбациям — переформулированным и ранее не встречавшимся текстовым инструкциям с флагом --text.
  • Сравнить полное выполнение всех 32 предсказанных шагов (1,6 секунды при 20 Гц) с режимом скользящего горизонта, где исполняются только первые 8 шагов.

Пример

from inference import Policy
policy = Policy(compile=True, weights="ema")
policy.prepare_instruction(task.language)
actions = policy.from_libero_observation(obs, task.language)
for action in actions:
    obs, reward, done, info = env.step(action.tolist())
    if done:
        break
ПодробнееОфлайн-метрики (EMA / Raw): общий MSE — 0.04243 / 0.04321, MSE на горизонте 0–8 шагов — 0.03150 / 0.03200.
Требования к железу: Python 3.10, PyTorch 2.7.1 (CUDA 12.8), GPU с поддержкой BF16 и Flash SDPA (проверено на NVIDIA H100; дополнительно скачиваются ~12 ГБ весов Simple-WAM, ~2.8 ГБ Wan VAE и ~11.4 ГБ T5).
Ограничения: в репозитории опубликованы только веса головы действий без оптимизатора и базовых моделей; оценки в симуляторе LIBERO-Plus представлены как скрипт интеграции, а не готовый валидированный рейтинг.
Discuss Telegram 0 27

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.2 GB · ready files0.7 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 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 2060

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.

    # TongtongLiang/simpler-faster-wam-libero-rope-kvadapter-textca-10ep
    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 TongtongLiang/simpler-faster-wam-libero-rope-kvadapter-textca-10ep --local-dir ~/models/simpler-faster-wam-libero-rope-kvadapter-textca-10ep
    # 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

New posts about versions of simpler-faster-wam-libero-rope-kvadapter-textca-10ep (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

TongtongLiang/simpler-faster-wam-libero-rope-kvadapter-textca-10ep
Author
TongtongLiang
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