К содержимому
Другое

RoboRACE-Net

мини-трансформер для фильтрации лжи в роях агентов

2 мин чтенияобновлено

RACE-Net — это компактная нейросетевая модель (аксиальный наборный трансформер на 213 889 параметров) от разработчика Nabidnur, предназначенная для объединения отчетов множества агентов (например, связок камер и VLM (мультимодальных языковых моделей)) в условиях, когда часть агентов может врать, сбоить или выдавать случайные данные. Модель считывает неразмещенное окно эпизодов целиком и возвращает лог-оддс (логарифм шансов) успеха для каждого эпизода, опираясь на допущение, что колонка самого принимающего агента честна. Модель работает на CPU и пригодится разработчикам робототехники и мультиагентных систем для надежного агрегирования данных от ненадежных источников.

Ключевые особенности

  • Компактность: всего 213 889 параметров, быстрое выполнение на CPU за миллисекунды на окно.
  • Без позиционных кодировок: модель эквивариантна к перестановкам как по эпизодам, так и по агентам.
  • Гибкий ввод: принимает матрицу оценок произвольного размера от агентов за последние эпизоды.
  • Обучение на симуляциях: модель обучалась исключительно на синтетических роях агентов без использования реальных бенчмарков.

Что можно сделать

  • Анализ данных роя: запустить инференс на Python для агрегирования оценок успешности задач от группы камер или датчиков.
  • Интеграция в робототехнику: применить для фильтрации ложных срабатываний в распределенных системах управления роботами.
  • Тестирование на кастомных данных: проверить устойчивость к коварным агентам, случайным шумам и сговорам.
  • Эмулирование сред: использовать встроенные генераторы синтетических роев для дообучения или анализа.

Пример

import sys, numpy as np
from huggingface_hub import snapshot_download
d = snapshot_download("Nabidnur/RoboRACE-Net"); sys.path.insert(0, d)
import racenet

P = np.random.rand(100, 5) # [эпизоды, агенты] оценки от 0 до 1
log_odds, thr = racenet.race_net(None, P, own=0, path=d)
success = log_odds > thr
Подробнее• Достигает 81.6% точности на тестовом треке SO-101 и 81.8% на Franka Panda в нулевом (zero-shot) тестировании.
• Требования к железу: запускается на обычном CPU за миллисекунды, зависимости включают torch, numpy, safetensors.
• Ограничения: не превосходит тяжелые методы EM на реальных камерах, требует, чтобы принимающий агент был честнее случайного угадывания, работает только с бинарной правдой.
Примеры
Обсудить Telegram 0 24

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 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 · F32 — 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.

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

Новые посты про версии RoboRACE-Net — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Nabidnur/RoboRACE-Net
Автор
Nabidnur
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

WristDepth

WristDepth