К содержимому
Робототехника

SmolVLA LangPush

управление роборукой по текстовой команде в симуляции

2 мин чтенияобновлено

irodkin/smolvla-langpush-run11 — дообученная VLA-модель (Vision-Language-Action, нейросеть, связывающая зрение, текст и действия робота) на базе lerobot/smolvla_base размером 0.45B параметров. Она управляет толкателем на манипуляторе Seeed reBot Arm B601-RS с камерой на запястье в симуляторе MuJoCo. На вход подаётся изображение с камеры и текстовая инструкция — передвинуть красный или синий кубик в зелёную целевую зону, а на выходе модель генерирует траекторию движения инструмента. Авторы (команда ROB7103/8103 Embodied AI) добились того, что политика действительно опирается на название цвета в тексте, а не угадывает цель по начальной позе манипулятора, что пригодится исследователям в области робототехники и обучения с подкреплением.

Ключевые особенности

  • Реальное следование тексту: модель различает команды для красного и синего кубика в 186 из 192 тестовых запусков (96.9% успеха) даже на симметричных сценах.
  • Режим относительных действий (Delta mode): модель предсказывает смещение и поворот наконечника в его собственной системе координат, а в качестве состояния получает только направление гравитации.
  • Точечное дообучение VLM: помимо модуля действий, в float32 дообучались верхние 8 слоёв визуально-языковой модели, что позволило связать слова с объектами в кадре.
  • Высокая частота планирования: модель генерирует блоки по 50 действий на частоте 30 fps с обновлением плана каждые 10 кадров по данным с одной камеры.

Что можно сделать

  • Протестировать политику управления манипулятором Seeed reBot Arm B601-RS в симуляции MuJoCo на задачах выбора объектов по цвету.
  • Использовать подход с относительными координатами (delta mode) и разморозкой верхних слоёв VLM как референс при обучении собственных политик в библиотеке lerobot.

Пример

from lerobot.policies.smolvla.modeling_smolvla import SmolVLAPolicy
policy = SmolVLAPolicy.from_pretrained("irodkin/smolvla-langpush-run11")
ПодробнееМетрики (192 теста): 186 успешных попыток (93/96 для красного и 93/96 для синего кубика), в 99% случаев первый план сразу ведёт к нужному кубику.
Обучение: 30 000 шагов на 10 000 демо + 20 000 шагов с новым расписанием learning rate (batch size 64).
Ограничения: работает только в симуляции MuJoCo (не проверялась на реальном роботе), рассчитана строго на два кубика по 4 см, зелёную зону 6 см и управление в delta-режиме.
Обсудить Telegram 0 17

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-run11
    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-run11 --local-dir ~/models/smolvla-langpush-run11
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smolvla-langpush-run11
  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-run11

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-run11
Автор
irodkin
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

track_v3_dual-image

track_v3_dual-image