К содержимому
Робототехника

smolvla-so101-piano-flow

модель для управления роботом-пианистом

2 мин чтенияобновлено

Эта модель представляет собой компактную систему vision-language-action (мультимодальная модель для работы с видео, текстом и физическими действиями), обученную через библиотеку LeRobot на базе lerobot/smolvla_base. Модель создана для робота типа so_follower и управляет его физическими движениями на основе данных с трех камер и состояния суставов. На практике она умеет распознавать и нажимать конкретные клавиши музыкального инструмента по заданным нотам. Полезно исследователям в области робототехники и разработчикам, работающим с физическим железом на базе LeRobot.

Ключевые особенности

  • Компактная архитектура SmolVLA для работы на потребительском железе.
  • Интеграция данных с трех камер (front, ears) для ориентации в пространстве.
  • Обучение на датасете из 300 эпизодов с задачами по игре на клавишах пианино.
  • Полная поддержка запуска и дообучения через инструменты экосистемы LeRobot.

Что можно сделать

  • Запустить политику управления на реальном роботе-манипуляторе so_follower для игры на клавишах.
  • Дообучить модель на собственных датасетах движений с помощью утилит LeRobot.
  • Визуализировать собранный датасет обучения через официальные спейсы проекта.

Пример

Запуск готовой политики управления роботом для нажатия нужной клавиши:

lerobot-rollout \
  --strategy.type=base \
  --robot.type=so_follower \
  --robot.port= \
  --robot.cameras="{ : {type: opencv, index_or_path: , width: 640, height: 480, fps: 30}, : {type: opencv, index_or_path: , width: 640, height: 480, fps: 30}}" \
  --policy.path=PawelLach/train_2026-11-17_22-11-36 \
  --task="play re, the second key" \
  --duration=60
ПодробнееБазовая модель: lerobot/smolvla_base (0.45 млрд параметров)
Лицензия: apache-2.0
Обучение: 10 000 шагов, batch size 64, оптимизатор adamw, LR 0.0001
Датасет: 300 эпизодов, 25 308 кадров при 30 FPS
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.8 GB · готовые файлы1.4 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 · BF16 — 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.

    # PawelLach/smolvla-so101-piano-flow
    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 PawelLach/smolvla-so101-piano-flow --local-dir ~/models/smolvla-so101-piano-flow
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smolvla-so101-piano-flow
  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. smolvla-so101-piano-flow

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

PawelLach/smolvla-so101-piano-flow
Автор
PawelLach
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

act_Final_Sim

act_Final_Sim
Робототехника

LoopedWAM

LoopedWAM