К содержимому
Робототехника

K1 erase-board GR00T N1.7

чекпоинт политики для стирания доски

2 мин чтенияобновлено

Это инференс-экспорт чекпоинта шага 10000 из продолжающегося 20000-шагового обучения для робота K1 с двумя 7-DOF руками и двумя 12-DOF кистями. Политика получает RGB с трёх камер и 38 положений суставов в радианах, а выдаёт 16 будущих шагов по 38 абсолютных целевых положений суставов. Задача — erase_whiteboard: стереть белую доску; обучение шло на 20 эпизодах (32 625 кадров, 15 fps) на базе nvidia/GR00T-N1.7-3B. Пригодится тем, кто работает с GR00T и кастомными embodiment: в карточке есть processor metadata и modality.json, чтобы не перепутать порядок state и action. На реальном роботе чекпоинт ещё не оценивался.

Ключевые особенности

  • Основа — nvidia/GR00T-N1.7-3B; vision/language backbone заморожен при обучении.
  • Кастомный embodiment K1: две 7-DOF руки и две 12-DOF кисти, 38 позиций суставов на входе.
  • Три RGB-камеры: cam_head, cam_left_wrist, cam_right_wrist.
  • Выход — 16 будущих шагов по 38 абсолютных целевых положений суставов в радианах.
  • Экспорт из трёх safetensors-шардов без optimizer states; metadata, embodiment IDs и normalization statistics включены.

Что можно сделать

  • Запустить inference в совместимом GR00T N1.7 runtime с ассетами Cosmos-Reason2-2B и проверить политику стирания доски для K1.
  • Разобрать modality.json и export_info.json как пример корректного маппинга 38-мерных state и action для своего двухрукого робота.
  • Сверить порядок камер и суставов в своей конфигурации с карточкой, чтобы не интерпретировать raw observation-state как action array.
  • Использовать чекпоинт как референс структуры экспорта для собственного инференса на кастомном embodiment.

Пример

Подайте в совместимый GR00T N1.7 runtime три RGB-потока (cam_head, cam_left_wrist, cam_right_wrist), 38 положений суставов в радианах и инструкцию erase_whiteboard. На выходе получите 16 шагов по 38 абсолютных целевых положений суставов; перед исполнением сверьте порядок с modality.json.

ПодробнееОбучение: 20 эпизодов, 32 625 кадров, 15 fps; batch 32, learning rate 1e-4, vision/language backbone заморожен.
Экспорт: три safetensors-шарда, optimizer states исключены; processor metadata, embodiment IDs и normalization statistics в корне модели.
Требования: совместимый GR00T N1.7 runtime и model/tokenizer assets Cosmos-Reason2-2B.
Ограничение: кастомный K1 embodiment; на реальном роботе чекпоинт ещё не оценивался.
Обсудить Telegram 0 19

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 12 GB · готовые файлы13 GB
  • BF16веса 5.9 GB6.9 GB
  • FP8 / INT8рекомендуемвеса 2.9 GB3.7 GB
  • 4-bitвеса 1.6 GB2.3 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 · F32 — от RTX 5080

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.

    # Dongkkka/ai_sapiens_7arm_4finger_erase_board_groot_10k
    # ===== 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 Dongkkka/ai_sapiens_7arm_4finger_erase_board_groot_10k --local-dir ~/models/ai_sapiens_7arm_4finger_erase_board_groot_10k
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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/GR00T-N1.7-3B

Новые посты про версии GR00T-N1.7-3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

Dongkkka/ai_sapiens_7arm_4finger_erase_board_groot_10k
Автор
Dongkkka
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

190

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

GR00T N1.7

GR00T N1.7