К содержимому
Робототехника

SyncWorld-mv3-strip384-views-first-selv2-rt2h

модель мира для двуруких роботов с умным отбором контекста

2 мин чтенияобновлено

Промежуточный чекпоинт (2000-я итерация из 20 320) генеративной модели мира SyncWorld от разработчика yyuncong. По текущему кадру с камер робота и 16 будущим действиям двух манипуляторов модель предсказывает следующие 16 кадров видео. В основе лежат веса mvSV3p (обновление 20 000), дообученные на симуляционных данных RoboTwin 2.0. Главная особенность этой версии — обучаемый селектор контекста (selector v2) с правилом OR sibling rule, который сам выбирает из огромной базы наиболее подходящие прошлые фрагменты записей для подсказки генератору, не допуская утечки будущего.

Ключевые особенности

  • Трёхкамерный формат: кадр представляет собой полосу 1536×384 из трёх ячеек 512×384 — одна фронтальная камера (head camera) и две камеры на запястьях манипуляторов.
  • Обучаемый селектор контекста (v2): линейный скорер на 15 признаках оценивает кандидатов из библиотеки на 17,6 млн фрагментов, опираясь на сходство траекторий, поз, положения камер (в пределах 10° и 10 см) и визуальные признаки DINOv2-base.
  • Защита от утечек (OR sibling rule): при поиске похожих примеров среди вариаций одного эпизода (контрфактических прогонов) отсеиваются фрагменты, где хотя бы одна рука ещё повторяет траекторию целевого эпизода.
  • Двурукое управление (bimanual_gripper): на каждом шаге модель принимает 14 параметров — смещения, углы Эйлера и степень раскрытия схвата для левой и правой рук.

Что можно сделать

  • Оценить качество retrieval-подхода: сравнить работу обучаемого селектора с контрольными чекпоинтами (equalw с фиксированными весами и базовым recent8) на отложенной выборке задач RoboTwin 2.0.
  • Симулировать двурукие манипуляции: тестировать предсказание визуальных последствий действий для роботов aloha-agilex, arx-x5, franka и ur5 в задачах с двумя манипуляторами.
  • Изучить динамику обучения селектора: проанализировать веса router.npz (версия 4, обученная на пуле из 2837 запросов), чтобы понять, какие признаки контекста важнее для точной генерации видео.

Пример

export WM_TTT_SIBLING_OVERRIDE=wm_ttt/handoff/rt2h_sibling_or_v1.npz
python wm_ttt/handoff/selector_eval_theta.py router.npz --out theta.json
ПодробнееОбучение: 4 узла × 8 GPU NVIDIA B200 (32 потока, HSDP), bf16 с fp32 master weights, AdamW (LR 5e-5).
Данные: 45 184 эпизода (225 001 запись) по 50 задачам RoboTwin 2.0; частота кадров — 20.83 Гц (кондиционирование — 15 fps).
Ограничения: промежуточный этап (1968 обновлений генератора из 20 000); для запуска требуются библиотека mv_strip_rt2h_v1_s4_views_sib_grip_anch_wrist, код query_context_bimanual.py и обязательная переменная окружения WM_TTT_SIBLING_OVERRIDE.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # yyuncong/SyncWorld-mv3-strip384-views-first-selv2-rt2h-from20k-step2000
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 yyuncong/SyncWorld-mv3-strip384-views-first-selv2-rt2h-from20k-step2000 --local-dir ~/models/SyncWorld-mv3-strip384-views-first-selv2-rt2h-from20k-step2000
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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 SyncWorld-mv3-strip384-views-first-selv2-rt2h-from20k-step2000 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

yyuncong/SyncWorld-mv3-strip384-views-first-selv2-rt2h-from20k-step2000
Автор
yyuncong
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

SyncWorld

SyncWorld