К содержимому
Робототехника

SANA-RWM RoboDojo ARX-X5

политика управления двуруким роботом

2 мин чтенияобновлено

Модель представляет собой политику управления (policy) для симулятора RoboDojo, предназначенную для двурукого манипулятора ARX-X5. Она дообучена на базе двухпоточной world model (модели мира, предсказывающей динамику среды) SANA-RWM на 5 млрд параметров и использует латентные представления LTX-2.3 VAE. На вход модель получает текстовые инструкции и видеопоток с трёх камер (головной и двух на запястьях), а на выходе генерирует чанки по 32 абсолютных действия для рабочих органов робота (end-effector) с частотой 25 fps. В репозитории опубликованы EMA-веса (экспоненциальное скользящее среднее с коэффициентом 0.999) на шаге 20 000, что пригодится исследователям робототехники для воспроизведения и оценки манипуляционных задач в симуляции.

Ключевые особенности

  • Многоракурсное зрение: обрабатывает изображения в T-компоновке одновременно с головной камеры (384×480 px) и двух камер на запястьях (192×256 px) через LTX-2.3 VAE.
  • Двухпоточная архитектура obs-block: построена на базе 5B-модели SANA-RWM с горизонтом softmax sink 7 и кэшированием чистого префикса (prefix_cache) при инференсе.
  • Полный контракт деплоя: помимо консолидированных fp32 EMA-весов (pytorch_model_fsdp.bin), в архив включены файлы нормализации действий и контракт episode_chain_contract.json с порядком камер, слотов и инструкций.

Что можно сделать

  • Запустить в симуляторе RoboDojo: развернуть политику на сервере инференса (с выполнением первых 24 строк из 32-строчного чанка действий) для тестирования двуруких манипуляций на 42 задачах.
  • Исследовать world models в робототехнике: изучить совместную генерацию видео и действий (Video CFG 6, Action CFG 1 за 10 шагов сэмплирования) на основе приложенных конфигов обучения и метаданных.

Пример

Сценарий инференса из карточки: модель принимает инструкции и кадры с трёх камер (голова + левое и правое запястья), предзаполняет чистый префикс эпизода через prefix_cache и за 10 шагов сэмплирования (Video CFG 6, Action CFG 1) выдаёт чанк из 32 абсолютных координат end-effector на 25 fps, из которых сервер политики исполняет первые 24.

Подробнее Бенчмарки (42 задачи × 3 сида в RoboDojo): средний процент успеха (Avg SR) — 25.71 ±1.05%, средний балл (Avg Score) — 32.41 ±0.78.
По категориям (SR): Memory — 50.78 ±1.23%, Precision — 27.25 ±3.14%, Long-Horizon — 26.08 ±1.55%, Generalization — 19.94 ±0.57% (35.89% на стандартных сценах и 4.00% на рандомизированных), Open — 4.50 ±0.35%.
Обучение: SFT на 3 500 демонстрационных эпизодах (чанки L = 4..49 по 32 действия), чекпоинт epoch 47 / step 20 000.
Ограничения: локальные пути в config.yaml и контракте заменены на плейсхолдеры; качество сильно проседает при рандомизации раскладки сцены.
Обсудить Telegram 0 17

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 17 GB · готовые файлы19 GB
  • FP8 / INT8рекомендуемвеса 8.3 GB9.7 GB
  • 4-bitвеса 4.7 GB5.7 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 3080 · BF16 — от RTX 4090

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.

    # zekaili/sana_rwm_robodojo_arx_x5_robot_base_eef_ema_step20000
    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 zekaili/sana_rwm_robodojo_arx_x5_robot_base_eef_ema_step20000 --local-dir ~/models/sana_rwm_robodojo_arx_x5_robot_base_eef_ema_step20000
    # 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 sana_rwm_robodojo_arx_x5_robot_base_eef_ema_step20000 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

zekaili/sana_rwm_robodojo_arx_x5_robot_base_eef_ema_step20000
Автор
zekaili
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии