К содержимому
Робототехника

SimpleMemVLA RoboCasa

память для кухонного робота

2 мин чтенияобновлено

Файнтюн VLA-модели (Vision-Language-Action — нейросеть, которая превращает видео с камер и текстовую команду в движения робота) от автора namhokaist для мобильного манипулятора PandaOmron в симуляторе кухонь RoboCasa. Модель построена на архитектуре SimpleMemVLA с базой Qwen3.5-4B и обучалась на задачах с эпизодической памятью: сначала робот наблюдает, куда прячут баночку со специями или ставят чашку, а затем должен достать предмет без подсказки о стороне в текстовой инструкции. Главное отличие от базового чекпоинта — расширенное окно видеоистории до 100 секунд (вместо 30) и совместное дообучение на базовых действиях, чтобы робот не забывал простые навыки. Подойдёт исследователям в области робототехники и воплощённого ИИ, изучающим работу кратковременной памяти у манипуляторов.

Ключевые особенности

  • Точное запоминание стороны: в тестах с открытым контуром на отложенных эпизодах со специями модель верно определяет сторону укрытия в 10 из 10 случаев (против 5/10 у базовой модели), опираясь именно на кадры истории, а не на длительность видео.
  • Расширенное окно истории: подаёт на вход видеопоток с левой камеры с частотой 2 fps за последние 100 секунд, а также текущие кадры с трёх камер (256×256) и 16-мерное состояние робота.
  • Защита от забывания (co-training): при обучении 40% батчей составляли 7 291 демонстрация из 65 базовых кухонных задач, а первые два кадра после фазы прятания сэмплировались в 57 раз чаще обычного.
  • Генерация чанков действий: на выходе модель предсказывает последовательности из 16 шагов для 12-мерного пространства действий робота PandaOmron через голову flow-matching.

Что можно сделать

  • Проверить работу памяти в симуляции: запустить скрипт check_storage_memory.py из репозитория интеграции namhkoh/robo_ttt для воспроизведения тестов на запоминание.
  • Протестировать базовые навыки на кухне: поднять сервер политик policy_server.py с rollout_runner.py и оценить выполнение 65 атомарных действий в RoboCasa.
  • Использовать как базу для своих сценариев: дообучить чекпоинт на собственных датасетах телеоперации с длинным контекстом наблюдения.

Пример

from robomemarena_sim.policy import get_vla

vla, action_norm, state_norm = get_vla("/model")
ПодробнееНа 65 базовых задачах в закрытом контуре (RoboCasa) модель набирает 46.9% успеха (305/650) против 52.2% (339/650) у базового чекпоинта.
Задачи со специями и чашками проверялись только в открытом контуре (сравнение предсказанных действий с записями без запуска в симуляторе).
Обучение заняло 6.6 часа на 6 GPU NVIDIA H200 (ZeRO-3), 3 000 шагов с эффективным батчем 48.
Лицензия репозитория не указана, действуют условия исходного кода OpenBMB/SimpleMemVLA и базы Qwen3.5-4B.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 5.3 GB6.3 GB
  • 4-bitвеса 3.0 GB3.8 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 5060 Ti 8GB · BF16 — от RTX 5080

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.

    # namhokaist/simplememvla-robocasa-spice-cup-storage-cotrain-ck3000
    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 namhokaist/simplememvla-robocasa-spice-cup-storage-cotrain-ck3000 --local-dir ~/models/simplememvla-robocasa-spice-cup-storage-cotrain-ck3000
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. simplememvla-robocasa-atomic65-indomain-ck30000
  4. simplememvla-robocasa-spice-cup-storage-cotrain-ck3000

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

namhokaist/simplememvla-robocasa-spice-cup-storage-cotrain-ck3000
Автор
namhokaist
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

Робототехника

pi0.5_rebot6

pi0.5_rebot6
Робототехника

handoff

handoff