К содержимому
Робототехника

Video LAM

каузальное предсказание действий и видео

2 мин чтенияобновлено

Video LAM (Latent Action Model) — это исследовательский чекпоинт на базе 28-блочной модели nvidia/Cosmos-Predict2.5-2B, созданный для задач робототехники. Модель одновременно предсказывает будущие кадры видео и последовательности действий робота на основе flow matching (метода генерации через потоковое сопоставление). Ключевая особенность этой версии — каузальная маска внимания между группами запросов (causal query-to-query attention): запросы текущего шага t видят только прошлые и одновременные слоты, не заглядывая в будущее. Решение пригодится инженерам и исследователям Embodied AI для обучения политик управления роботами по видеоданным.

Ключевые особенности

  • База — замороженный бэкбон nvidia/Cosmos-Predict2.5-2B с раздельными LoRA-адаптерами (небольшими обучаемыми надстройками) ранга 16 для стадий Stage A и Stage B.
  • Каузальное внимание (query-to-query): группа запросов шага t обращается только к шагам <= t, сохраняя строгую временную последовательность.
  • Обучение на равновесной смеси датасетов DROID, EgoDex и MolmoAct на клипах переменной длины от 5 до 29 кадров в разрешении 480×640.
  • Текстовое обусловливание (Stage A) опирается на проекции эмбеддингов от модели Cosmos-Reason1-7B.

Что можно сделать

  • Использовать как основу для обучения и дообучения моделей управления роботами (latent action prediction) на собственных робототехнических датасетах.
  • Воспроизвести эксперименты с каузальным вниманием и раздельным flow-декодером видео из репозитория jiiiisoo/video_lam.
  • Продолжить обучение с шага 16 000 — в архиве сохранены состояния оптимизатора, планировщика и генератора случайных чисел.

Пример

from huggingface_hub import snapshot_download

folder = snapshot_download('chyun/video-lam-old78k-q2q-causal-16k')
ПодробнееОбучение: 16 000 шагов, глобальный батч 16 (микробатч 1 на GPU, градиентное накопление 2, 8 GPU, seed 0).
Формат: нативный PyTorch-чекпоинт (step_016000.pt) с патчем training_implementation.patch для репозитория jiiiisoo/video_lam.
Зависимости: требуется локальный чекпоинт базы nvidia/Cosmos-Predict2.5-2B и кэш текстовых эмбеддингов Cosmos-Reason1-7B (не входят в архив).
Ограничения: перед запуском нужно вручную обновить локальные пути в training_args.json; модель проверена на целостность тензоров, но не проходила отдельный инференс-тест после упаковки.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.0 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.0 GB
  • 4-bitвеса 0.3 GB0.8 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.

    # chyun/video-lam-old78k-q2q-causal-16k
    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 chyun/video-lam-old78k-q2q-causal-16k --local-dir ~/models/video-lam-old78k-q2q-causal-16k
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к video-lam-old78k-q2q-causal-16k
  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

Дообучение модели

nvidia/Cosmos-Predict2.5-2B

Новые посты про версии Cosmos-Predict2.5-2B — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face

О модели

chyun/video-lam-old78k-q2q-causal-16k
Автор
chyun
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