К содержимому
Компьютерное зрение

microduck-skill-agent

LoRA-адаптеры для управления роботом в MuJoCo

2 мин чтенияобновлено

Набор LoRA-адаптеров (небольших надстроек над базовой моделью), который превращает мультимодальную модель Qwen3-VL-4B-Instruct в планировщик действий для небольшого шагающего робота «microduck» в симуляторе MuJoCo. На каждом шаге нейросеть получает кадр с камеры и текстовую инструкцию на английском или китайском языке, а на выходе генерирует конкретную команду в формате JSON (например, move, turn, approach, explore или return_home). Модель отвечает только за выбор высокоуровневого навыка и работает в связке с алгоритмами из репозитория проекта (построение карты глубины, поиск пути A*), а не как прямой контроллер моторов. Решение подойдёт исследователям и разработчикам робототехники, изучающим применение VLM (визуально-языковых моделей) для навигации в виртуальных средах.

Ключевые особенности

  • Выбор из 11 навыков: модель предсказывает одно из действий — move, turn, approach, search, explore, return_home, stop, done, clarify, unsupported или bypass_return.
  • Два языка команд: понимает инструкции на английском и китайском языках с опорой на изображение с камеры.
  • Четыре версии в одном репозитории: доступны папки lang-v1–lang-v4; основной принятой версией с лучшими результатами является lang-v2.
  • Лёгкая дообученная надстройка: содержит всего 655 360 обучаемых параметров (LoRA rank 8) поверх 4-битной квантованной базы Qwen3-VL-4B-Instruct.

Что можно сделать

  • Тестировать VLM-навигацию в MuJoCo: запустить агента в многокомнатных мирах симулятора для задач поиска объектов и движения к цели (например, «подойти к крайнему левому мячу и вернуться»).
  • Сравнивать итерации обучения: загружать разные подпапки (lang-v1 — lang-v4) и проверять, как объём обучающих данных влияет на точность выбора навыков.
  • Изучать гибридную архитектуру: использовать проект как референс связки языковой модели с классическими алгоритмами вроде A* и исследованием границ карты.

Пример

import torch
from transformers import AutoModelForImageTextToText, BitsAndBytesConfig
from peft import PeftModel

base = "Qwen/Qwen3-VL-4B-Instruct"
quant = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4",
                           bnb_4bit_use_double_quant=True, bnb_4bit_compute_dtype=torch.bfloat16)
model = AutoModelForImageTextToText.from_pretrained(base, quantization_config=quant, device_map="auto")
model = PeftModel.from_pretrained(model, "atlasmarkz/microduck-skill-agent", subfolder="lang-v2")
ПодробнееМетрики lang-v2 на тестовых планировках (seeds 99000, 99100): строгая точность 61/74 (82.4%), эквивалентная по результату — 65/74 (87.8%).
Обучение: 300 шагов на 3 074 примерах (для lang-v2) на одной видеокарте RTX 3060 (8 GiB) заняло около 13 минут.
Ограничения: предназначено только для симуляции (не запускать на физическом роботе); требует специфического формата промпта и исполнителей навыков из репозитория atlasmarkz/microduck-qwen.
Лицензия: Apache-2.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.3 GB · готовые файлы9.6 GB
  • FP8 / INT8рекомендуемвеса 4.1 GB5.0 GB
  • 4-bitвеса 2.3 GB3.1 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 3080

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

Это LoRA: вместе с базовой моделью Qwen3-VL-4B-Instruct.

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.

    # atlasmarkz/microduck-skill-agent
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Qwen/Qwen3-VL-4B-Instruct --local-dir ~/models/Qwen3-VL-4B-Instruct
    hf download atlasmarkz/microduck-skill-agent --local-dir ~/models/microduck-skill-agent
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-4B-Instruct
  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

Нужна базовая модель

Qwen/Qwen3-VL-4B-Instruct

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии Qwen3-VL-4B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

atlasmarkz/microduck-skill-agent
Автор
atlasmarkz
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии