GraphVLA V7 Stack Bowls

GraphVLA V7 Stack Bowls — чекпоинт Vision-Language-Action для двурукой роботизированной задачи Stack Bowls, обученный 6 000 шагов. Архитектура: Qwen3-VL-4B + GR00T DiT-B; на входе четыре RGB-вида и raw joint14 state. Это model-only checkpoint для инференса или инициализации, а не точное продолжение обучения.

✨ Ключевые особенности

• 🤖 Qwen3-VL-4B + GR00T DiT-B; V7 mask-coverage-weighted graph pooling и edge GRU.
• 👀 Четыре RGB-вида и состояние joint14: левые 6 суставов, левый гриппер, правые 6 суставов, правый гриппер.
• 📌 Действия — абсолютные цели joint14, горизонт 16, при деплое исполняются первые 8.
• ✅ Нормализация action и state по mean/std из train-split; использованы 72 траектории, 9 validation исключены.
• 🚨 Онлайн-деплой требует отдельных YOLOE/SAM3/Cutie/DA3, активов робота, калибровки и camera/CAN frontend — их нет в пакете.
• 💻 load_policy.py собирает архитектуру и строго загружает state_dict; CPU-загрузка только валидирует параметры, но не управляет роботом.

💻 Пример

hf download yuuu94/GraphVLA-StackBowls-V7-6k --local-dir ./graphvla-stack-6k --exclude 'checkpoint_step_006000.pt' '*.tar.gz'
python ./graphvla-stack-6k/load_policy.py --release-dir ./graphvla-stack-6k --device cpu