NERO DINO-ACT

Набор из четырёх ACT-политик для двух двуруких задач, записанных на двух руках NERO и двух кистях Wuji Hand 2. Для каждой задачи одна и та же схема обучения запущена дважды: с замороженным DINOv3-энкодером внешней камеры и с дообучением последних 4 transformer-блоков и финальной norm. Базовая модель — facebook/dinov3-vitb16-pretrain-lvd1689m.

🔤 Ключевые особенности

• 1⃣ Две задачи: Open_The_Box (10 эпизодов, 13 576 кадров при 30 Hz) и Clean_The_Cup (11 эпизодов, 11 641 кадр).
• 2⃣ По четыре варианта: frozen и dino_last4 для каждой задачи; финальный train loss — 0.036/0.037 и 0.027/0.027.
• 3⃣ Каждая папка самодостаточна: веса, процессоры нормализации, код политики, ассеты DINOv3, свидетельства обучения и sha256-манифест.
• 4⃣ Есть промежуточные веса на 20k, 40k и 60k шагов в checkpoints/.
• ➕ Офлайн-перезагрузка проверена: предсказания совпадают с тренировочным чекпоинтом.

🔜 Пример

Сценарий из карточки: возьмите политику clean_the_cup/dino_last4 для задачи Clean_The_Cup и сравните её с clean_the_cup/frozen на одинаковых эпизодах. Карточка прямо отмечает: на роботе эти модели ещё не оценивались, поэтому сравнение frozen и partially fine-tuned DINOv3 остаётся непроверенным.

Подробнее

Данные: приватный датасет Onol1280/RSS27-dexhand, ревизия ec24557a3d89.
Обучение: 10–11 демонстраций на задачу; отличие от репозитория Nero описано в PATCHES_1110.md.
Ограничение: ни одна из четырёх моделей пока не проходила оценку на реальном роботе.
Лицензия DINOv3: Meta DINOv3 License, включена в каждый пакет.