К содержимому
Робототехника

Task905-943-ViTacFormer-B128-200k

визуально-тактильная политика для робототехники

2 мин чтенияобновлено

Модель для управления бимануальным роботом (двумя руками и кистями), которая объединяет картинку с камеры, историю состояний суставов и показания тактильных датчиков давления. На выходе она предсказывает будущие тактильные ощущения и траекторию движений для 54 степеней свободы. Архитектура SH5 ViTacFormer обучена с нуля за 200 000 шагов на 156 эпизодах (использовалась только предобученная на ImageNet инициализация ResNet18) и поддерживает две задачи манипуляции: правой рукой (Task905) и левой рукой (Task943). Подойдёт исследователям в области робототехники и мультимодального управления для офлайн-тестирования и анализа тактильного прогнозирования.

Ключевые особенности

  • Двунаправленное внимание (bidirectional attention) между визуальными данными с головной камеры и тактильными сенсорами.
  • Единая модель на 54 сустава (по 7 на каждую руку и по 20 на каждую кисть) с переключением задач через Task ID 0 или 1.
  • Двухэтапное декодирование: сначала прогнозируются будущие тактильные показания, затем формируются целевые углы суставов.
  • В релиз включены два весовых файла формата PyTorch: финальный step_200000.pt и лучший по валидации best_model.pt (шаг 192 000).

Что можно сделать

  • Запустить офлайн-инференс на CPU на синхронизированных записях с камеры, энкодеров суставов и тактильных массивов.
  • Сравнить точность прогноза давления и траекторий между чекпоинтами на 192k и 200k шагах через встроенный класс Runtime.

Пример

from pathlib import Path
import sys
from huggingface_hub import snapshot_download

root = Path(snapshot_download("Dongkkka/Task905-943-ViTacFormer-B128-200k"))
sys.path.insert(0, str(root / "source"))
from runtime import Runtime

policy = Runtime(root, checkpoint="checkpoints/step_200000.pt", device="cpu")
action, tactile_future = policy.predict(state_history, tactile_history, image_rgb, task_id=0)
ПодробнееМетрики: финальный validation normalized action L1 — 0.1121; для правой руки (Task905) ошибка тактильного прогноза на 6.63% ниже бейзлайна persistence (и на 21.63% ниже в зоне активности), тогда как для левой руки (Task943) улучшения над persistence нет.
Вход и выход: RGB-кадр 720×1280 (сжимается до 188×336), история состояний [6, 54], сырые тактильные данные [18, 90] без вычитания бейзлайна; на выходе 100 шагов команд суставов [100, 54] в радианах и тактильный прогноз [18, 180].
Ограничения: проверено только на офлайн-реплеях (включая CPU-верификацию), модель не сертифицирована для запуска на реальном роботе под нагрузкой и не совместима со старыми загрузчиками SH5.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # Dongkkka/Task905-943-ViTacFormer-B128-200k
    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/Task905-943-ViTacFormer-B128-200k --local-dir ~/models/Task905-943-ViTacFormer-B128-200k
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Task905-943-ViTacFormer-B128-200k
  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 Task905-943-ViTacFormer-B128-200k — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Dongkkka/Task905-943-ViTacFormer-B128-200k
Автор
Dongkkka
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