К содержимому
Робототехника

OMX SmolVLA

файнтюн для управления роботом-манипулятором

2 мин чтенияобновлено

Модель представляет собой дообученную версию VLA-архитектуры (Vision-Language-Action — нейросеть, которая связывает изображение с камер, текстовую команду и физические движения робота) lerobot/smolvla_base размером 0.45B параметров от команды omx-baseline-team. На входе она получает видеопотоки с двух камер и текстовую инструкцию, а на выходе генерирует траекторию движений для манипулятора omx_follower, чтобы перемещать красный объект в квадрат с крестиком. В отличие от базовой версии, здесь дообучен только модуль действий (action expert), тогда как визуальный энкодер заморожен. Пригодится разработчикам и энтузиастам робототехники, работающим с фреймворком LeRobot.

Ключевые особенности

  • Основана на lerobot/smolvla_base (0.45B параметров) и совместима с версией библиотеки LeRobot 0.6.1.
  • Обучена на объединённом датасете из 60 эпизодов (17 819 кадров) с перемещением объекта из нижних углов в верхний левый.
  • Важная особенность конфига: ключи камер перепутаны местами (top отвечает за камеру на схвате, а wrist — за верхний обзор), поэтому при запуске требуется точный --rename_map.
  • Работает в точности fp32, весит около 1.8 ГБ и требует GPU NVIDIA или чип Apple Silicon (MPS), так как CPU слишком медленный.

Что можно сделать

  • Развернуть политику управления на манипуляторе omx_follower для отработки захвата и переноса объектов по заданной текстовой команде.
  • Использовать чекпоинт как базовый ориентир (baseline) при тестировании инференса в режиме RTC (Real-Time Chunking) в LeRobot.

Пример

lerobot-rollout \
  --policy.path=omx-baseline-team/omx-smolvla-try30-merged60-10000-20261113 \
  --policy.device=cuda --inference.type=rtc \
  --robot.type=omx_follower --robot.port=/dev/ttyACM0 \
  --rename_map='{"observation.images.wrist": "observation.images.camera1", "observation.images.top": "observation.images.camera2"}' \
  --task="Move the red object to the square marked with a cross." \
  --duration=30
ПодробнееОбучение: 10 000 шагов, batch size 16, оптимизатор AdamW (lr 1e-4 с прогревом 1000 шагов и косинусным затуханием до 2.5e-6).
Железо: необходима видеокарта NVIDIA (CUDA) или Apple Silicon (MPS); загрузка потребует ~1.8 ГБ + токенизатор SmolVLM2.
Ограничения: модель тестировалась только офлайн и ещё не запускалась на реальном роботе — авторы рекомендуют первые тесты по 10–30 секунд с кнопкой экстренной остановки.
Обсудить Telegram 0 12

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 1.7 GB · готовые файлы2.3 GB
  • BF16веса 0.8 GB1.4 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB1.0 GB
  • 4-bitвеса 0.2 GB0.8 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 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.

    # omx-baseline-team/omx-smolvla-try30-merged60-10000-20261113
    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 omx-baseline-team/omx-smolvla-try30-merged60-10000-20261113 --local-dir ~/models/omx-smolvla-try30-merged60-10000-20261113
    # 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

Дообучение модели

lerobot/smolvla_base
  1. SmolLM2-360Mоснова семьи
  2. SmolLM2-360M-Instruct
  3. SmolVLM-500M-Instruct
  4. SmolVLM2-500M-Video-Instruct
  5. smolvla_base
  6. omx-smolvla-try30-merged60-10000-20261113

Новые посты про версии SmolLM2-360M — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

omx-baseline-team/omx-smolvla-try30-merged60-10000-20261113
Автор
omx-baseline-team
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

120

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии