К содержимому
Робототехника

MolmoAct2 YAM 3-task (scene)

политика для трёх робозадач по одной камере

2 мин чтенияобновлено

Это LoRA-файнтюн (надстройка над базовой VLM-политикой) allenai/MolmoAct2-BimanualYAM для бимануального робота YAM. На вход модель получает RGB с камеры сцены, состояние 14 суставов и захватов и текстовый промпт; на выход — 30 абсолютных суставных целей с захватами на 30 Гц, то есть секундный кусок движения. Промпт выбирает одну из трёх задач: сдвинуть коробку и снять крышку, взять зелёную чашку и поставить на жёлтую тарелку или сдвинуть жёлтую тарелку в центр. Обучение шло на 96 эпизодах и 55 950 кадрах, запястные камеры не используются. Пригодится для воспроизведения и дообучения политик LeRobot на YAM.

Ключевые особенности

  • LoRA-файнтюн VLM и обученная flow head: 5 000 шагов, batch 32, 4×A100.
  • На входе только камера сцены (observation.images.top); запястные камеры обнулены и маскированы.
  • Выход — 30 шагов по 14 абсолютных суставных целей с захватами на 30 Гц.
  • В репозитории есть HTTP-сервер политики, скрипты слияния датасетов, конвертации и запуска обучения.
  • Веса перезалиты с исправленными normalizer stats; старые версии из истории использовать нельзя.

Что можно сделать

  • Поднять policy_server.py и прогнать три задачи на бимануальном YAM через HTTP.
  • Сравнить файнтюн с yam3-molmoact2-base-zeroshot на одинаковых промптах.
  • Взять промежуточные чекпоинты step_1000–step_4000 и посмотреть, как меняется поведение.
  • Дообучить политику на своих эпизодах LeRobot, сохранив формат входа и выхода.

Пример

from lerobot.policies.molmoact2.modeling_molmoact2 import MolmoAct2Policy
from lerobot.policies.factory import make_pre_post_processors
pol = MolmoAct2Policy.from_pretrained("pretrained_model").to("cuda").eval()
pre, post = make_pre_post_processors(pol.config, pretrained_path="pretrained_model")
batch = pre({"observation.images.top": img_float_1x3xHxW, "observation.state": state_1x14, "task": [prompt]})
actions = post(pol.predict_action_chunk(batch, inference_action_mode="continuous"))  # (1, 30, 14)
Подробнее96 эпизодов / 55 950 кадров, 3 задачи; held-out эпизоды 0053–0055, 0027–0029 и 0020/0026/0030 не участвовали в обучении.
Чекпоинт step 5000; промежуточные — step_1000…step_4000 без optimizer state.
Held-out offline-проверка ещё не запускалась.
Исправлены глобальные q01/q99 вместо усреднённых по эпизодам; старые веса не использовать.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 5.3 GB6.4 GB
  • 4-bitвеса 3.0 GB3.8 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 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.

    # sourlreapwr/yam3-molmoact2-scene
    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 sourlreapwr/yam3-molmoact2-scene --local-dir ~/models/yam3-molmoact2-scene
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к yam3-molmoact2-scene
  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 yam3-molmoact2-scene — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sourlreapwr/yam3-molmoact2-scene
Автор
sourlreapwr
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