К содержимому
Робототехника

SmolVLA LangPush (run 10b)

робот различает цвета по текстовой команде

2 мин чтенияобновлено

Это дообученная VLA-модель (Vision-Language-Action — нейросеть, связывающая зрение, текст и действия робота) на 450 млн параметров для управления манипулятором Seeed reBot Arm B601-RS в симуляторе MuJoCo. По команде «Push the red cube into the green target area» или «Push the blue cube into the green target area» и картинке с камеры на запястье модель толкает нужный кубик в зелёную зону. Чекпоинт построен на базе lerobot/smolvla_base в рамках проекта Embodied AI и, в отличие от предыдущих версий авторов, действительно ориентируется на название цвета в инструкции, а не угадывает цель наугад.

Ключевые особенности

  • Успешно выполняет задачу в 165 случаях из 192 (80–90%), тогда как «слепая» к цвету политика даёт около 50%.
  • Разморозка верхних 8 слоёв VLM вместе с экспертом действий позволила модели связать слова «red» и «blue» с изображением.
  • Режим относительных движений (delta mode): модель предсказывает смещение наконечника [dx, dy, dz, rx, ry, rz] в его собственной системе координат, а не абсолютную позу.
  • Работает с одной камерой (observation.images.camera1) при двух пустых слотах, выдавая пакеты по 50 действий на 30 fps.

Что можно сделать

  • Использовать как готовый пример дообучения SmolVLA в библиотеке LeRobot, если ваша модель игнорирует текстовые инструкции.
  • Протестировать политику в симуляции MuJoCo на задачах толкания объектов по языковым командам.
  • Взять за основу для переноса управления манипулятором Seeed reBot Arm B601-RS с симуляции на реальную камеру телефона.

Пример

from lerobot.policies.smolvla.modeling_smolvla import SmolVLAPolicy

policy = SmolVLAPolicy.from_pretrained("irodkin/smolvla-langpush-run10b")
# Также загрузите пре- и постпроцессоры через make_pre_post_processors(policy.config, pretrained_path=...)
ПодробнееБазовая модель: lerobot/smolvla_base (0.45B параметров), обучение 30 000 шагов с batch size 64 на 10 000 скриптовых демо в float32.
Точность по цветам: 90/96 для красного кубика и 75/96 для синего (в 21 попытке с синим толкала красный).
Ограничения: проверено только в симуляторе MuJoCo (без тестов на реальном роботе), требует управления в delta-режиме.
Обсудить Telegram 0 12

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.2 GB · готовые файлы1.8 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB1.0 GB
  • 4-bitвеса 0.2 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.

    # irodkin/smolvla-langpush-run10b
    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 irodkin/smolvla-langpush-run10b --local-dir ~/models/smolvla-langpush-run10b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smolvla-langpush-run10b
  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

lerobot/smolvla_base
  1. SmolLM2-360Mоснова семьи
  2. SmolLM2-360M-Instruct
  3. SmolVLM-500M-Instruct
  4. SmolVLM2-500M-Video-Instruct
  5. smolvla_base
  6. smolvla-langpush-run10b

Новые посты про версии SmolLM2-360M — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

irodkin/smolvla-langpush-run10b
Автор
irodkin
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

120

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

SmolVLA LangPush

SmolVLA LangPush