К содержимому
Робототехника

SmolVLA Dice2

нейросеть для управления роботом при броске кубика

2 мин чтенияобновлено

Компактная VLA-модель (Vision-Language-Action — нейросеть, которая связывает зрение, текстовую команду и действия робота), обученная поднимать шестигранный игральный кубик (D6) и отпускать его над лотком для костей. Политика построена на базе lerobot/smolvla_base (0.45B параметров) в фреймворке LeRobot и рассчитана на запуск на обычном пользовательском железе. В отличие от базовой модели, она дообучена на конкретном сценарии манипуляции с мелким объектом для робота типа so_follower с использованием камер arm и top. Подойдёт разработчикам и энтузиастам робототехники на базе LeRobot как готовая политика для тестов или база для дальнейшего дообучения.

Ключевые особенности

  • Решает задачу захвата шестигранного кубика D6 и его сброса над лотком по текстовой команде.
  • Компактный размер 0.45B параметров позволяет запускать модель на потребительском оборудовании.
  • Принимает состояние робота по 6 степеням свободы и изображения с камер (разрешение 256×256) для предсказания 6-мерного вектора действий.
  • Обучена на датасете phiba/Dice2_20261115_163146 из 50 эпизодов (15 331 кадр при 30 FPS).

Что можно сделать

  • Запустить готовую политику на собственном роботе-манипуляторе типа so_follower с двумя камерами для автоматизации броска кубика.
  • Использовать вес и конфигурацию обучения как референс для создания собственных навыков манипуляции мелкими предметами на базе lerobot/smolvla_base.

Пример

lerobot-rollout \
  --strategy.type=base \
  --robot.type=so_follower \
  --robot.port= \
  --robot.cameras="{ arm: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30}, top: {type: opencv, index_or_path: 1, width: 640, height: 480, fps: 30}}" \
  --policy.path=phiba/smolvla_dice2 \
  --task="Picking up a D6 and letting it drop above a dice tray" \
  --duration=60
ПодробнееОбучение: 20 000 шагов, batch size 64, оптимизатор AdamW, learning rate 0.0001, LeRobot 0.7.0.
Оценка: результаты испытаний на реальном роботе в карточке пока не опубликованы.
Лицензия: Apache-2.0.
Обсудить Telegram 0 47

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.

    # phiba/smolvla_dice2
    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 phiba/smolvla_dice2 --local-dir ~/models/smolvla_dice2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smolvla_dice2
  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_dice2

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

phiba/smolvla_dice2
Автор
phiba
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

470

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

G1 throw VLA

G1 throw VLA