К содержимому
Робототехника

AlphaBot2 OVMM SFT3000

замороженный SFT-бейзлайн для OVMM

2 мин чтения

Это публичная копия policy-чекпоинта manip_recovery_opt_v1/ckpt_step0003000/policy от Neptune-T на базе alphabot2/aibot2_grab_bag_combined_over_under_pi05. Модель на 4.14 млрд параметров, библиотека LeRobot, для управления роботом-манипулятором по состоянию, текстовой задаче и шести RGB-камерам. Это inference/fine-tuning экспорт, без нового обучения и конвертации весов.

Ключевые особенности

  • На входе — state16, текст задачи и шесть упорядоченных RGB-ключей: camera_left, camera_right, camera_top, camera_top_h5, camera_top_h10, camera_top_h15.
  • Нужен runtime LeRobot pi0.5 из проекта; версии зафиксированы в release/runtime.json, код serving лежит в release/code/scripts/alphabot2_pi05/.
  • В корне — полные FP32-веса policy, конфиг, pre/postprocessors, тензоры нормализации и tokenizer. Это экспорт для инференса и файнтюна, а не точный optimizer/RNG resume-чекпоинт.
  • В training/ — исходная конфигурация, summary и лог; в release/ — код контроллера, версии пакетов и свидетельства оценки. Абсолютные пути в метаданных нужно перелокализовать, но корневые веса самодостаточны.
  • Выход — 50-шаговый 18-мерный action chunk. История — реальные предыдущие кадры головы, а не повтор текущих.

Пример

from huggingface_hub import snapshot_download
model = snapshot_download('Neptune-T/alphabot2-ovmm-sft3000', local_dir='ovmm-model')
data = snapshot_download('Neptune-T/alphabot2-ovmm-sft', repo_type='dataset', local_dir='ovmm-data')
ПодробнееОбучение: продолжение 3000 шагов, global batch 12, старт из 250-шагового NAV-correction пилота; 80% phase-balanced original replay / 20% qualified NAV corrections.
Закрытый контур: TRAIN12 full success 4/12, development heldout 0/3, fixed development6 1/6 — только assisted simulator results с privileged-goal Planner и observable_placement_exit_v2, FP32, batch1.
Ограничения: не pure end-to-end navigation и не real-robot qualification; simulator assets/runtime не включены; исходные лицензии upstream сохраняются.
Обсудить Telegram 0 30

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 15 GB · готовые файлы17 GB
  • BF16веса 7.7 GB9.0 GB
  • FP8 / INT8рекомендуемвеса 3.9 GB4.7 GB
  • 4-bitвеса 2.2 GB2.9 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 4090

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.

    # Neptune-T/alphabot2-ovmm-sft3000
    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 Neptune-T/alphabot2-ovmm-sft3000 --local-dir ~/models/alphabot2-ovmm-sft3000
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к alphabot2-ovmm-sft3000
  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 aibot2_grab_bag_combined_over_under_pi05 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

Neptune-T/alphabot2-ovmm-sft3000
Автор
Neptune-T
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

FlowPilot

FlowPilot
Робототехника

few-shot-run-2

few-shot-run-2