К содержимому
Робототехника

SmolVLA for four sentences with two sponges on an SO-101 arm

файнтюн робототехнической политики для манипулятора

2 мин чтенияобновлено

Модель представляет собой специализированную политику управления для роборуки SO-101, обученную сортировать красную и синюю губки по левому и правому лоткам в зависимости от текстовой команды. Она создана на базе модели lerobot/smolvla_base (0.45 млрд параметров) с использованием библиотеки LeRobot 0.6.0. Модель обрабатывает визуальные данные с двух камер и текущие положения суставов манипулятора, выдавая управляющие воздействия. Новинка отлично подойдет разработчикам и исследователям, экспериментирующим с робототехникой и визуально-языковыми моделями (VLA) на доступном железе.

Ключевые особенности

  • Обучена на 96 телеуправляемых демонстрациях из датасета so101_part2 (по 24 эпизода на каждую из четырёх команд).
  • Прошла 46 000 шагов обучения с размером батча 8 на одной видеокарте RTX 3060 (12 ГБ) без аугментации изображений.
  • Визуально-языковой бэкбон (backbone — базовая нейросетевая структура для извлечения признаков) во время обучения оставался замороженным.
  • Поддерживает инференс (inference — процесс работы обученной модели) с динамической разбивкой на чанки в реальном времени.

Что можно сделать

  • Применить в проектах по управлению настольными робоманипуляторами для выполнения инструкций на естественном языке.
  • Провести тестирование модели на реальном железе для автоматизации задач сортировки и перемещения объектов.
  • Использовать датасет и конфигурацию обучения для кастомизации под новые формулировки команд и другие типы предметов.

Пример

Пример команды для манипулятора: «Put the blue sponge in the left tray.» Модель распознает текст и визуальное положение предметов, после чего направляет руку к нужной губке.

ПодробнееБенчмарки: 34 успешные попытки из 36 на базовых четырёх предложениях; 11 из 16 для переформулированных фраз, с которыми модель раньше не сталкивалась.
Требования к железу: одна видеокарта RTX 3060 (12 ГБ) для обучения.
Входные данные: две камеры (вид сверху и сбоку, 640×480 при 30 fps) и шесть позиций суставов манипулятора.
Особенности: использовался последний чекпоинт обучения.
Обсудить Telegram 0 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.8 GB · готовые файлы1.4 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.

    # jaaaa000/smolvla_so101_part2
    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 jaaaa000/smolvla_so101_part2 --local-dir ~/models/smolvla_so101_part2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smolvla_so101_part2
  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_so101_part2

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

jaaaa000/smolvla_so101_part2
Автор
jaaaa000
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

Jevol-2B

Jevol-2B