К содержимому
Робототехника

StreamingWAM-DiT4DiT-LIBERO

streaming-адаптация для LIBERO

2 мин чтенияобновлено

StreamingWAM-DiT4DiT-LIBERO — набор из двух чекпоинтов для роботизированных задач LIBERO. Это дополнительное обучение на DiT4DiT с видеобэкбоном Cosmos-Predict2.5-2B: сравниваются обычный Joint и streaming-вариант с историей наблюдений и действий. Код и команды запуска — в репозитории.

Ключевые особенности

  • Два чекпоинта: joint и streaming; оба стартуют с одной официальной инициализации DiT4DiT-LIBERO.
  • Streaming использует пять реальных визуальных наблюдений и восемь выполненных действий, уточняет буфер на восемь действий и исполняет четыре действия на replan.
  • Joint сохраняет одно текущее изображение и четыре обновления действий на replan; оба варианта используют парные виды основной и wrist-камеры.
  • В комплекте полный inference state dict (~21,3 ГБ), конфиги, статистика нормализации и метаданные; optimizer states и логи не включены.
  • Это чекпоинты для LIBERO simulation, не real-robot или RoboTwin.

Пример

git clone https://github.com/renshaojie233/StreamingWAM.git
cd StreamingWAM/extensions/dit4dit
python scripts/download.py --method both --output checkpoints/dit4dit
CUDA_VISIBLE_DEVICES=0 python scripts/smoke_inference.py --method streaming --checkpoint-dir checkpoints/dit4dit/streaming --cosmos-path checkpoints/cosmos
ПодробнееLIBERO-Plus raw-prompt success: joint — 70,88%, streaming — 76,37% (10 030 эпизодов, seed 7).
Каждый чекпоинт — около 21,3 ГБ; нужен отдельный DiT4DiT-окружение и pinned Diffusers, это не generic AutoModel.
Задержка: 135,526 мс у обычного варианта и 153,685 мс у streaming; end-to-end ускорение не заявляют.
Только LIBERO simulation; streaming-точка выбиралась по 200-entry screen, поэтому полная оценка не полностью held out.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 20 GB · готовые файлы22 GB
  • FP8 / INT8рекомендуемвеса 9.9 GB11 GB
  • 4-bitвеса 5.6 GB6.6 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 5070 · BF16 — 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.

    # rsj2003/StreamingWAM-DiT4DiT-LIBERO
    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 rsj2003/StreamingWAM-DiT4DiT-LIBERO --local-dir ~/models/StreamingWAM-DiT4DiT-LIBERO
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к StreamingWAM-DiT4DiT-LIBERO
  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

mondo-robotics/dit4dit-model

Новые посты про версии dit4dit-model — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

rsj2003/StreamingWAM-DiT4DiT-LIBERO
Автор
rsj2003
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_libero

ACT_libero