Bagel-Robotics-1

Bagel-Robotics-1 — одобренное публичное зеркало точного checkpoint 1000 из bageldotcom/Bagel-Robotics-1, использованного в кампании оценки. Это compact-aware VPP2-артефакты на компонентах Wan2.1, а не Transformers AutoModel: видео-эксперт содержит 12 468 409 664 параметра. Релиз включает веса и код инференса через адаптер XPolicyLab.

1⃣ Ключевые особенности

• ➖ Публичное зеркало checkpoint 1000: файлы можно скачать без токена.
• ➖ Видео-эксперт на 23,95% меньше зафиксированного родителя: 12 468 409 664 параметра.
• ➖ Learned masks преобразованы в меньшие FFN и cross-attention слои; self-attention heads и action expert сохранены.
• ➖ Для инференса не нужны teacher или learned-mask модуль.
• ➖ Адаптер XPolicyLab: policy_name=bagel_robotics_1, ckpt_name=cp1000, действия ARX X5 end-effector, один environment на процесс политики.
• ➖ Настройки инференса: BF16; 32 предсказанных действия и 16 исполняемых; 10 шагов Euler; shift 1; blending 90% новых / 10% предыдущих.

▶ Пример

hf download GnanaPraveen/Bagel-Robotics-1-Public \
  --revision 2651631c5d08819088475e8778676f5cf6d9afcf \
  --include video.pt action.pt compact_architecture.json dataset_stats.json COMPLETE.json validation.json \
  --local-dir /absolute/path/to/checkpoints/cp1000

Подробнее

➖ Чекпоинт-тензоры занимают ~29,0 ГБ; ещё ~16,7 ГБ — отдельные VAE/conditioning/tokenizer assets.
➖ Квалификация: 96 ГБ RTX PRO 6000 Blackwell, Python 3.10.21, PyTorch 2.11.0+cu130; меньший объём GPU не проверялся.
➖ Сокращение параметров не заявлено как измеренное ускорение инференса.
➖ Полная multi-seed валидация для официального лидерборда отдельно; исторические оценки не являются официальными результатами.
➖ В релизе нет optimizer/scheduler/dataset state — точное продолжение обучения из весов не поддерживается. Код обучения, прунинга и экспорта обещан к 20 ноября 2026.