К содержимому
Робототехника

ACTS world model

визо-тактильная модель мира для робототехники

2 мин чтенияобновлено

Репозиторий от автора WitneyWW с кодом, предобработанными данными и обученными чекпоинтами для запуска и дообучения визо-тактильной world model (модели мира, предсказывающей будущие кадры на основе действий). Система прогнозирует визуальные и тактильные наблюдения с датчиков GelSight при выполнении манипуляций на задачах motherboard, pushT и rope. В основе лежат базовые модели Cosmos3-Nano и Wan2.2 VAE (с отдельной тактильной LoRA-надстройкой), а главная цель сборки — провести ablation-эксперименты (проверку влияния отдельных компонентов) при отключении потоков действий камеры и данных о силе нажатия.

Ключевые особенности

  • Полный набор из 166 эпизодов (117 ГБ латентов и действий плюс 16 ГБ исходных видео и телеметрии) для трёх робототехнических задач.
  • Готовые чекпоинты базовых прогонов pusht_v1 и rope_v1 (20 эпох), а также промежуточный вариант без учёта силы нажатия для задачи motherboard.
  • Поддержка как короткого прогнозирования (8 кадров по 8 входным), так и длинного авторегрессионного роллаута на 15 окон (120 кадров) через солвер UniPC за 35 шагов.
  • Готовые конфиги и Slurm-скрипты для воспроизведения четырёх экспериментов sensor-only (с силой и без неё) и автоматического подсчёта метрик PSNR, SSIM и LPIPS.

Что можно сделать

  • Запустить инференс и оценить качество предсказания контактов и деформаций на готовых тестовых сценариях для задач pushT, rope или motherboard.
  • Дообучить и сравнить модели в режиме sensor-only на кластере из 4 GPU NVIDIA H100, чтобы измерить вклад тактильной силы и потоков обзора в точность симуляции.
  • Использовать предобработанные латенты Wan2.2 VAE и тактильную LoRA для собственных исследований в области робототехнических world-моделей.

Пример

source env.sh
$PYTHON_BIN eval/run_test_case.py --task rope --case 0
$PYTHON_BIN eval/summarize.py --task rope --reference
ПодробнееОбучаемых параметров: ~45.30M (sensor-only) против 45.34M у полной модели; LoRA r16/α32 на GEN-башне поверх Cosmos3-Nano.
Требования к железу: тестировалось на Linux с 4× NVIDIA H100 80 GB (CUDA 12.8), потребление при обучении ~31 ГБ VRAM на карту (global batch 8).
Объём данных: ~175 ГБ при скачивании всех компонентов, включая Cosmos3-Nano (29 ГБ).
Инференс одного тестового кейса занимает ~7 минут на H100 (или ~40 секунд с флагом --short-only).
Обсудить Telegram 0 10,1 тыс.

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.6 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 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.

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

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

О модели

WitneyWW/acts-sensoronly-ablation
Автор
WitneyWW
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

10,1 тыс.0

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии