К содержимому
Робототехника

RobotisSW/Task905-943-GR00T-VisionKL-Tactile

двухэтапное дообучение GR00T-N1.7-3B с тактильным энкодером

2 мин чтенияобновлено

Публичный архив с чекпоинтами двухэтапного обучения робототехнической модели nvidia/GR00T-N1.7-3B от пользователя RobotisSW для выполнения задач манипуляции (Task 905 и 943). На первом этапе выполняется KL-тюнинг (настройка по дивергенции Кульбака — Лейблера) всей визуальной башни модели при замороженных языковом модуле (LLM) и модуле действий. На втором этапе замораживается уже вся визуально-языковая часть (VLM), а дообучаются модуль действий и существующий тактильный энкодер finger_mlp. Модель ориентирована на исследователей в области робототехники и мультимодальных систем управления манипуляторами (VLA).

Ключевые особенности

  • Построена на базе робототехнической модели nvidia/GR00T-N1.7-3B с использованием библиотеки transformers.
  • Двухэтапный пайплайн (эксперимент SH5): сначала настройка визуального энкодера (шаги 500 и 1000), затем обучение тактильного энкодера finger_mlp и головы действий (шаги 20000–100000).
  • Обучение проводилось совместно на задачах 905 и 943 (174 эпизода, 77 860 кадров) с использованием масок SAM для рабочей руки и сенсорной площадки без letterbox-паддинга.
  • Каждый чекпоинт содержит веса, процессоры, статистику, конфигурацию, состояния оптимизатора/планировщика и манифест контрольных сумм для возобновления обучения.

Что можно сделать

  • Продолжить дообучение робототехнического агента на собственных задачах манипуляции с сохраненного состояния оптимизатора и планировщика.
  • Использовать сохраненные веса визуально-языковой части (VLM) и тактильного модуля finger_mlp для исследований мультимодального управления роботами на базе GR00T-N1.7.

Пример

В карточке репозитория указано, что чекпоинты сохраняются по мере прохождения шагов обучения (500 и 1000 для стадии Vision; 20000, 40000, 60000, 80000 и 100000 для стадии Action) и включают полные состояния Trainer, веса модели и конфигурацию из setup/archive_policy.json для возобновления пайплайна. Исходные видео демонстраций в репозиторий не загружены.

ПодробнееОбучение запущено 15 ноября 2026 года; чекпоинты публикуются по мере достижения контрольных шагов.
Отбор лучшего чекпоинта на отложенной выборке и проверка развертывания на реальном роботе не проводились (шаг 1000 — плановая точка завершения стадии Vision, а не лучший результат по метрикам).
Метрики процесса обучения отслеживаются в Weights & Biases (проекты sw-tuning-sh5-905-943).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 12 GB · готовые файлы13 GB
  • FP8 / INT8рекомендуемвеса 5.9 GB6.9 GB
  • 4-bitвеса 3.3 GB4.1 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 5060 Ti 8GB · BF16 — от RTX 5080

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.

    # RobotisSW/Task905-943-GR00T-VisionKL-Tactile
    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 RobotisSW/Task905-943-GR00T-VisionKL-Tactile --local-dir ~/models/Task905-943-GR00T-VisionKL-Tactile
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Task905-943-GR00T-VisionKL-Tactile
  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

nvidia/GR00T-N1.7-3B

Новые посты про версии GR00T-N1.7-3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

RobotisSW/Task905-943-GR00T-VisionKL-Tactile
Автор
RobotisSW
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