К содержимому
Робототехника

X-VLA-Food-Progress

робот-манипулятор с оценкой прогресса готовки

2 мин чтенияобновлено

Модель объединяет базовую политику управления роботом X-VLA (Vision-Language-Action — нейросеть, переводящую картинку с камер и текстовую команду в движения) с тремя обученными MLP-головами (многослойными перцептронами) для отслеживания прогресса выполнения задачи. Система раскладывает продукты по посуде в три этапа: перекладывает морковь на тарелку, булочку в миску и батат на тарелку. В отличие от обычных политик, модель не только генерирует моторные действия, но и оценивает завершённость каждого этапа по текущему кадру без опоры на историю событий. Решение пригодится исследователям в области робототехники для мониторинга многошаговых манипуляций в реальном времени.

Ключевые особенности

  • Входной вектор признаков размерностью 2055 объединяет усреднённые токены энкодера Florence2 с верхней камеры (1024) и камеры на запястье (1024), а также 7 нормализованных показаний суставов манипулятора.
  • Базовая модель X-VLA (чекпоинт на 150 000 шагов) остаётся замороженной — поверх неё отдельно обучены три головы прогресса архитектуры 2055 → 256 → 64 → 2 с активацией ReLU.
  • На выходе каждая голова выдаёт оценку прогресса этапа (через сигмоиду) и логит его завершения, из которых вычисляется общая шкала прогресса от 0 до 3 при пороге 0.5.
  • В репозиторий включены как полный нативный чекпоинт основной модели, так и веса голов (шаг 6 500) вместе с архивом исходного кода.

Что можно сделать

  • Использовать базовую политику через метод generate_actions для управления манипулятором при сортировке и раскладке продуктов.
  • Подключить MLP-головы к выходу энкодера model.forward_vlm через функции load_probe и stage_coordinate, чтобы отслеживать переход между этапами задачи.
  • Тестировать точность предсказания прогресса на записанных траекториях с реального робота без запуска замкнутого цикла управления.

Пример

hf download SXY7/X-VLA-Food-Progress --local-dir X-VLA-Food-Progress
tar -xzf X-VLA-Food-Progress/code/X-VLA.tar.gz -C X-VLA-Food-Progress
cd X-VLA-Food-Progress
export PYTHONPATH="$PWD/code/food_progress:$PWD/code/X-VLA"
ПодробнееОбучение голов проводилось на кэшированных признаках замороженного энкодера (разбиение эпизодов 70/15/15, BS8/GA2, выбор лучшего чекпоинта на 6 500 шагах по валидации).
Требуется строгая совместимость препроцессинга и размерности признаков (2055) с поставляемым кодом X-VLA.
Драйверы робота и готовый единый интерфейс AutoModel.from_pretrained не входят в комплект — связывание голов с энкодером выполняется вручную.
Оценка проводилась на записанных данных реального робота, а не в живом замкнутом цикле выполнения.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.3 GB · готовые файлы4.1 GB
  • FP8 / INT8рекомендуемвеса 1.6 GB2.3 GB
  • 4-bitвеса 0.9 GB1.5 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.

    # SXY7/X-VLA-Food-Progress
    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 SXY7/X-VLA-Food-Progress --local-dir ~/models/X-VLA-Food-Progress
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к X-VLA-Food-Progress
  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 X-VLA-Food-Progress — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

SXY7/X-VLA-Food-Progress
Автор
SXY7
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