К содержимому
Робототехника

pi05-libero-goal-bowl_on_plate

робот учится ставить миску на тарелку

2 мин чтенияобновлено

Модель управления роботом-манипулятором, дообученная для конкретной бытовой задачи: взять миску и поставить её на тарелку в симуляторе LIBERO-goal. В основе лежит базовая архитектура lerobot/pi05_base на 4,14 млрд параметров, причём автор применил полный SFT (Supervised Fine-Tuning — полное дообучение всех весов без заморозки слоёв и использования LoRA). В отличие от универсальной базовой версии, этот чекпоинт заточен строго под одно действие и включает не только итоговые веса, но и промежуточные сохранения вместе с состоянием оптимизатора. Разработка пригодится исследователям в области робототехники и пользователям фреймворка LeRobot для воспроизведения экспериментов или продолжения тренировки.

Ключевые особенности

  • Полное дообучение: тренировались все 4 143 404 816 параметров модели в точности FP32 с использованием BF16 autocast и оптимизатора AdamW.
  • Работа со зрением и действиями: модель принимает картинку с двух камер (плюс одна замаскированная) в разрешении 256×256 и генерирует последовательности из 50 шагов с помощью 10 итераций flow-matching (метод генерации плавных траекторий).
  • Полный набор чекпоинтов: в репозиторий загружены сохранения на 250, 500, 750 и 1000 шагах обучения вместе с training_state для возобновления тренировки с того же места.
  • Совместимость с PaliGemma: для работы с текстовыми командами используется официальный словарь Big Vision PaliGemma.

Что можно сделать

  • Запустить политику PI05Policy в среде симуляции LIBERO-goal (task ID: 8) для проверки точности перекладывания миски на тарелку.
  • Загрузить любой из промежуточных чекпоинтов вместе с состоянием оптимизатора и продолжить дообучение на собственных демонстрациях в LeRobot.
  • Сравнить качество выполнения задачи на разных этапах обучения, опираясь на приложенные в репозитории сырые логи оценок.

Пример

from huggingface_hub import snapshot_download
from lerobot.policies.pi05.modeling_pi05 import PI05Policy

root = snapshot_download("qrvmil/pi05-libero-goal-bowl_on_plate-20261116", allow_patterns="checkpoints/000250/pretrained_model/*")
policy = PI05Policy.from_pretrained(root + "/checkpoints/000250/pretrained_model")
ПодробнееМетрика Success Rate (5 попыток, лимит 300 шагов): 20% (1/5) на 250 шаге, 0% на 500 шаге и 60% (3/5) на 750 шаге; оценка для 1000 шага в процессе.
Обучение: 1000 шагов на 49 демонстрациях (4563 кадра), batch size 8, learning rate 5e-5 с косинусным затуханием.
Управление: относительный контроль рабочего органа (end-effector) на частоте 20 Гц, за один раз выполняется 10 предсказанных действий из 50.
Обсудить Telegram 1 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.

    # qrvmil/pi05-libero-goal-bowl_on_plate-20261116
    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 qrvmil/pi05-libero-goal-bowl_on_plate-20261116 --local-dir ~/models/pi05-libero-goal-bowl_on_plate-20261116
    # 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/pi05_base
  1. paligemma-3b-pt-224основа семьи
  2. pi05_base
  3. pi05-libero-goal-bowl_on_plate-20261116

Новые посты про версии paligemma-3b-pt-224 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

qrvmil/pi05-libero-goal-bowl_on_plate-20261116
Автор
qrvmil
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

301

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

CloudEdgeVLA

CloudEdgeVLA