К содержимому
Робототехника

dit_block_2

DiT-политика для перекладывания стакана

2 мин чтенияобновлено

dit_block_2 — компактная модель управления роборукой (SO-10x), обученная методом имитационного обучения для одной конкретной задачи: взять стакан и поставить его в кольцо. В основе лежит архитектура Diffusion-Transformer (DiT) с алгоритмом flow matching, которая предсказывает сразу последовательность движений (chunk) на 48 кадров вперёд по картинке с одной фронтальной камеры и текущим углам моторов. Автором выступает anschrur; эта версия отличается от прошлой dit-cup переснятым чистым датасетом из 30 эпизодов, где исправили ошибку смещения угла поворота кисти (wrist_roll) на ~170°. Модель пригодится разработчикам и исследователям, работающим с недорогими манипуляторами на базе сервоприводов Feetech и фреймворком lerobot.

Ключевые особенности

  • Архитектура DiT на 16,66 млн параметров (4 слоя, скрытая размерность 256) с энкодером изображений resnet18.
  • Принимает кадры 480×640 с камеры observation.images.front (сжимаются до 128×128 с кропом 0.9) и 6-мерный вектор состояния суставов.
  • Выдаёт последовательность из 48 действий за раз — при рабочей частоте 30 fps это соответствует 1,6 секунды плавного движения.
  • Поставляется единым файлом policy.ckpt (66,7 МБ), куда уже вшиты нормализаторы состояний и действий — без них веса не работают.

Что можно сделать

  • Запустить замкнутый цикл управления (closed-loop) на реальной роборуке SO-10x с частотой 30 fps для захвата и установки стакана.
  • Проверить поведение манипулятора в безопасном режиме без движения (--dry-run) через скрипт-обвязку dit_on_robot.py и класс DiTAgent.
  • Использовать чекпоинт как готовый бейзлайн для сравнения качества работы на исправленном датасете по сравнению с предыдущей версией dit-cup.

Пример

from robot_imitation_glue.baseline.dit_agent import DiTAgent

agent = DiTAgent(
    checkpoint_path="policy.ckpt",
    camera_key_mapping={"front": "observation.images.front"},
    state_key="observation.state",
    device="cpu",
    n_sampling_steps=10,
)
ПодробнееОбучение: 200 эпох (41 200 шагов) на 13 218 кадрах (30 эпизодов, 30 fps), финальный train loss — 0.018505.
Железо обучения: 1× RTX 5090 за 1,7 часа; инференс возможен даже на CPU за 10 шагов сэмплера Эйлера.
Ограничения: нет метрик успеха (success rate) на реальном роботе; не поддерживается стандартным from_pretrained из lerobot.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # anschrur/dit_block_2
    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 anschrur/dit_block_2 --local-dir ~/models/dit_block_2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к dit_block_2
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии dit_block_2 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

anschrur/dit_block_2
Автор
anschrur
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

ACT block

ACT block