К содержимому
Робототехника

khanhnd61/pop-pretrain-so101-community

чекпоинты политики PoP для робота SO-101

2 мин чтения

Репозиторий содержит чекпоинт предобучения и набор весов дообучения робототехнической политики PoP (Pointer Policy) для манипулятора SO-101. Вместо текстовых инструкций модель получает 2D-координату объекта, 2D-координату цели и короткий код навыка, предсказывая действия суставов на основе изображений с неподвижной и кистевой камер. Архитектура построена на визуальном энкодере DINOv2 ViT-S/14 и трансформер-декодере adaLN-zero (около 28M параметров) от автора khanhnd61. Проект подойдёт инженерам и исследователям робототехники, изучающим управление манипуляторами без языковых моделей.

Ключевые особенности

  • Предобучение на 10 639 эпизодах: визуальный энкодер и управляющая голова (27.74M параметров) обучены методом поведенческого клонирования на датасете HuggingFaceVLA/community_dataset_v2.
  • Указатели вместо текста: модель принимает 2D-точки объекта и цели с фурье-признаками и кодом навыка вместо текстовых описаний задач.
  • Сравнение с текстовым бейзлайном: в карточке приведены замеры валидационной ошибки L1 для PoP и аналогичной политики с энкодером T5-Efficient-Tiny на одних и тех же данных.
  • Четыре задачи манипуляции: складывание полотенца, открытие ящика с укладкой блока, составление стаканчиков и толкание кружки к цели.

Что можно сделать

  • Протестировать на реальном SO-101: запустить дообученные чекпоинты на манипуляторе SO-101 для проверки работы политик вживую (в карточке приведена только валидационная ошибка на демонстрациях).
  • Сравнить способы кондиционирования: использовать опубликованные веса и логи для анализа точности предсказания траекторий при задании цели точками против текста.
  • Использовать базу для новых задач: взять предобученный чекпоинт step_200000.pt как отправную точку для дообучения на собственных демонстрациях 6-осевых манипуляторов.

Пример

import torch
ckpt = torch.load("finetune/261121-so101-pop-s0/step_040000.pt", map_location="cpu", weights_only=False)
ckpt["ema"]           # веса модели (state dict)
ckpt["norm"]          # нормализация состояний и действий
ckpt["instructions"]  # токенизированные инструкции (для текстовых прогонов)
ckpt["config"]        # параметры обучения
ПодробнееЛучшая валидационная ошибка L1 на шаге 40k для PoP составляет 0.292 (0.284 без предобучения), минимальная ошибка достигается на 4k–6k шагах (0.271–0.278).
База: DINOv2 ViT-S/14 (22.06M) + трансформер-декодер adaLN-zero (5.68M), обучение в bf16 с размером батча 64.
Ограничения: код архитектуры модели не включён в репозиторий; чекпоинты ещё не проверялись в реальных запусках на роботе; к 40k шагам наблюдается переобучение.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 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 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.

    # khanhnd61/pop-pretrain-so100-community
    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 khanhnd61/pop-pretrain-so100-community --local-dir ~/models/pop-pretrain-so100-community
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pop-pretrain-so100-community
  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

facebook/dinov2-small

Новые посты про версии dinov2-small — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

khanhnd61/pop-pretrain-so100-community
Автор
khanhnd61
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