Иерархические латентные подцели

Это веса политик из расширенного абстракта UniReps 2026 от Miraiyochi. Иерархическая политика имеет два уровня flow-matching: верхний каждые 16 шагов среды предсказывает латент наблюдения через 16 шагов вперёд в пространстве замороженного визуального энкодера, а нижний по этому латенту генерирует следующие 8 действий. Каждый иерархический чекпойнт идёт в паре с flat-политикой, обученной на тех же данных.

⚙ Ключевые особенности

• ⚙ Два уровня flow-matching и предсказание будущих латентов как подцелей.
• 🔍 Работает без test-time search.
• 📊 Для PushT: тренировочные дистанции d ∈ {25, 50, 75}, расширение до 100 и 150; для LIBERO-Long — замороженные V-JEPA 2 ViT-L и T5-base.
• 📎 Каждому иерархическому чекпойнту соответствует flat-политика с числом параметров, совпадающим в пределах 0.1%.
• 📚 Включены веса, фиксированные данные PushT, конфиги и эмбеддинги инструкций T5; внешние энкодеры нужно брать отдельно.
• © Лицензия MIT.

🧨 Пример

На PushT агент получает цель и должен выполнить толкание; на LIBERO-Long — языковую инструкцию, а эмбеддинги T5 остаются замороженными. Верхний уровень раз в 16 шагов выдаёт латент-подцель, нижний — 8 действий.

Подробнее

PushT, rerun seed 42: преимущество hierarchical над flat +24 пункта при d=100 и +26 при d=150; в исходном seed-42 было +14/+14.
LIBERO-Long: 74 846 727 параметров у hierarchical против 74 854 568 у flat; 30k обновлений.
Основные веса PushT — перезапуск, а не те же чекпойнты из статьи, поэтому per-seed числа воспроизводятся приблизительно.
Внешние веса LeWorldModel ViT-tiny, V-JEPA 2 ViT-L и T5-base в репозиторий не включены.