К содержимому
Робототехника

HINT-WAM

дообучение world action model для робототехники

1 мин чтения

Модель HINT-WAM выполняет post-training (последующее дообучение) для world action model под названием Fast-WAM. Во время обучения модель использует демонстрационное видео будущего в качестве подсказки (hindsight), выступая собственным учителем для эксперта по действиям с использованием энергетического целевого показателя. При развертывании используется только студент, что сохраняет архитектуру и затраты на вывод базовой модели Fast-WAM. Решение предназначено для исследователей и разработчиков в сфере робототехники и имитационного обучения.

Ключевые особенности

  • Повышение точности управления роботами в симуляторах LIBERO и RoboTwin.
  • Самообучение с использованием будущих демонстрационных видео (hindsight).
  • Полная совместимость с архитектурой и настройками вывода базовой модели Fast-WAM.
  • Доступность чекпоинтов для интеграции в существующие пайплайны.

Что можно сделать

  • Применить чекпоинт libero90/hintwam_libero90.pt для задач манипуляции в бенчмарке LIBERO-90.
  • Провести закрытую оценку (closed-loop evaluation) с использованием стандартных эмуляторов Fast-WAM.
  • Исследовать метод энергетического скоринга для дообучения других моделей действий.

Пример

from huggingface_hub import hf_hub_download

repo = "tuandattttt/HINT-WAM"
config = hf_hub_download(repo, "config.yaml")
ckpt = hf_hub_download(repo, "libero90/hintwam_libero90.pt")
ПодробнееБенчмарки (LIBERO-90): успех 85.18% (против 15.56% у базовой Fast-WAM и 78.88% у SFT).
Обучение: AdamW, cosine schedule, батч 192, 8 видеокарт с 24 GB VRAM, bfloat16, DeepSpeed ZeRO-2.
Лицензия: MIT.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 11 GB · готовые файлы13 GB
  • FP8 / INT8рекомендуемвеса 5.6 GB6.7 GB
  • 4-bitвеса 3.2 GB4.0 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.

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

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

О модели

tuandattttt/HINT-WAM
Автор
tuandattttt
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

WeaveMem YAM 10K

WeaveMem YAM 10K