К содержимому
Робототехника

d1sh-molmospaces-pnp-ego

управление роботом от первого лица на базе d1-3B

2 мин чтенияобновлено

Это дообученная визуально-языковая модель (VLM) от автора hmkang, созданная для управления роботом-манипулятором в задачах захвата и перемещения предметов (pick-and-place). На вход нейросеть получает кадры с внешней камеры и камеры на запястье робота, а на выходе предсказывает одно из 15 дискретных действий из словаря molmoego15 (сдвиги на 2 см, повороты на 10 градусов, захват или отпускание). Модель основана на компактной архитектуре LiquidAI/d1-3B и представлена в виде LoRA-адаптера (небольшой надстройки над весами базовой модели), обученного методом SFT (контролируемого дообучения). В отличие от стандартных моделей со свободным текстовым ответом, эта версия выдает откалиброванные команды строго в системе координат камеры на запястье и готова к дальнейшему обучению с подкреплением (RL). Решение пригодится исследователям и разработчикам в области робототехники и симуляций.

Ключевые особенности

  • Эгоцентрическая система координат: все команды перемещения (MV_*) и вращения (RT_*) рассчитываются относительно камеры на запястье робота (wrist_camera_zed_mini).
  • 15 дискретных действий: словарь molmoego15 включает 6 направлений сдвига по 2 см, 6 вариантов поворота на 10 градусов вокруг TCP, а также команды GRASP, RELEASE и DONE.
  • Калибровка под RL: в качестве рекомендуемого чекпоинта выбрана третья эпоха LoRA с минимальным значением NLL (0.3936), что защищает от излишней самоуверенности модели перед запуском RL.
  • Двухкамерный обзор: обучение проходило на паре изображений (внешняя камера exo1 и запястная камера), приведенных к разрешению 448×256 пикселей.

Что можно сделать

  • Запустить базовую политику в симуляции: использовать модель для управления манипулятором в среде MolmoSpaces при решении задач перекладывания объектов.
  • Продолжить обучение через RL: взять чекпоинт d1-3b-lora/epoch3 как хорошо откалиброванную отправную точку для дообучения с подкреплением в фреймворке d1-showharness-rl.
  • Сравнить с полным файнтюном: протестировать поведение легкого LoRA-адаптера против полноразмерного дообучения на валидационных эпизодах.

Пример

from transformers import AutoModel
from peft import PeftModel

base = AutoModel.from_pretrained("LiquidAI/d1-3B", revision="051bcc464b01b9f92942b364d9586b0ef5912432", trust_remote_code=True, dtype="bfloat16").cuda()
model = PeftModel.from_pretrained(base, "hmkang/d1sh-molmospaces-pnp-ego", subfolder="d1-3b-lora/epoch3")
ПодробнееМетрики лучшего чекпоинта (d1-3b-lora/epoch3): val NLL — 0.3936, точность (acc) — 85.69%, macro recall — 75.93%.
Датасет обучения: hmkang/molmospaces-pnp-ego-discrete-tokens (конфиг ego_straight, 10 010 эпизодов / 794 828 кадров; разделение 9 910 / 100 на обучение и валидацию).
Важно при запуске: для корректного промпта и списка вариантов ответа необходимо задать переменную D1_VOCAB=molmoego15.
Ограничения: папка с полным файнтюном (d1-3b-full) на момент публикации еще не загружена; лицензия соответствует базовой модели — LFM Open License v1.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.0 GB · готовые файлы7.1 GB
  • FP8 / INT8рекомендуемвеса 3.1 GB3.9 GB
  • 4-bitвеса 1.8 GB2.5 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 5060 Ti 8GB

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

Это LoRA: вместе с базовой моделью d1-3B.

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.

    # hmkang/d1sh-molmospaces-pnp-ego
    # ===== 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 LiquidAI/d1-3B --local-dir ~/models/d1-3B
    hf download hmkang/d1sh-molmospaces-pnp-ego --local-dir ~/models/d1sh-molmospaces-pnp-ego
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к d1-3B
  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

LiquidAI/d1-3B

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

  1. LFM2.5-2.6B-Baseоснова семьи
  2. LFM2.5-VL-3B
  3. d1-3B
  4. d1sh-molmospaces-pnp-ego

Новые посты про версии LFM2.5-2.6B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 10Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

hmkang/d1sh-molmospaces-pnp-ego
Автор
hmkang
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

Робототехника

dit_block_2

dit_block_2