К содержимому
Другое

Task-Potential Relationship Graph Model (v2)

графовый оценщик действий для роботов

2 мин чтенияобновлено

Компактная нейросеть на 36,5 млн параметров от rigby-robotics, которая помогает управлять роботом в связке с внешней языковой моделью (LLM). Сама модель не генерирует команды: на каждом шаге внешняя LLM предлагает несколько числовых наборов целевых значений для приводов, а графовая сеть предсказывает эффект каждого варианта и выставляет оценку вероятности выполнения задачи. На выходе система выбирает команду с наивысшим баллом. В основе лежит графовая архитектура с поддержкой входов переменного размера, которая кодирует геометрию, скорости, сочленения и относительное положение объектов в пространстве SE(3). Пригодится разработчикам и исследователям в области робототехники и симуляций MuJoCo.

Ключевые особенности

  • Компактный размер: 36 534 626 параметров, файл чекпоинта весит всего 139,4 MiB.
  • Графовая архитектура: принимает переменное число тел и приводов, включает 4 блока графа состояний, 2 блока эффектов, 2 текстовых блока и 8 голов внимания при ширине 384.
  • Работа в паре с LLM: оценивает готовые числовые пакеты управления от внешней модели по селектору task_completion, а не использует фиксированное меню действий.
  • Обучение в MuJoCo: тренировалась на процедурно сгенерированных эпизодах захвата с удержанием, касания, толкания и перемещения для механизмов с 2, 3 или 4 радиальными конечностями.

Что можно сделать

  • Собрать пайплайн управления в MuJoCo: подключить любую свою LLM для генерации числовых команд приводам и использовать чекпоинт для отбора лучшего шага в симуляторе.
  • Тестировать задачи манипуляции: проверять сценарии подъёма и удержания объектов, толкания или перемещения на кастомных симуляционных адаптерах.

Пример

import torch
from inference import load_model, score_control_candidates

model, metadata = load_model("task-potential-best.pt", device="cuda")
result = score_control_candidates(
    model, batch, llm_candidates, selector="task_completion"
)
selected_package = result["control"]
selected_score = result["score"][result["index"]]
ПодробнееПроверка в симуляции на двух сидах для задачи подъёма: в одном случае достигнут подъём на 8,086 см с успешным удержанием в течение 1 секунды, во втором — подъём на 8,313 см до таймаута провайдера LLM.
Ограничения: модель оценивает только один шаг вперёд, требует написания адаптера под конкретный симулятор/робота и не проверена на физическом оборудовании.
Лицензия на повторное использование в репозитории не предоставлена; встроенную экспериментальную голову propose_controls() использовать не рекомендуется.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # rigby-robotics/rigby-task-potential-v2
    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 rigby-robotics/rigby-task-potential-v2 --local-dir ~/models/rigby-task-potential-v2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к rigby-task-potential-v2
  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

Новые посты про версии rigby-task-potential-v2 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

rigby-robotics/rigby-task-potential-v2
Автор
rigby-robotics
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Solvformer

Solvformer