π₀.₅ Gaussian baseline

Это полный файнтюн π₀.₅ от ZUO66 на 3 616 757 520 параметров, не LoRA. Политика получает текущие RGB-изображения головы и правого запястья и 7D-состояние правой руки, а предсказывает 16 × 7 абсолютных целевых положений суставов. Обучена на 98 демонстрациях вставки цветка правой рукой R1Lite.

💡 Ключевые особенности

• ⚙ Полный файнтюн π₀.₅ на 3,62 млрд параметров; LoRA не используется.
• 🖥 Вход — текущие кадры головы и правого запястья плюс 7D-состояние руки; история действий не нужна.
• 📊 Выход — 16 × 7 абсолютных joint-target действий; по умолчанию 10 шагов Euler.
• 🔄 Независимый Gaussian source N(0, I) формы [1, 16, 32]; FM-only objective, без Δ-flow и endpoint consistency.
• 🛡 Лицензия Apache-2.0; в релизе есть веса, конфиг, нормализация, токенизатор и скрипты инференса.
• ⚠ Нет заявленной успешности на роботе или held-out; 16 шагов предсказания не означают, что все 16 нужно выполнять без перепланирования.

💻 Пример

hf download ZUO66/pi05-r1lite-insert-flower-baseline --local-dir pi05-flower-baseline
cd pi05-flower-baseline
pip install -r requirements_inference.txt
python setup_runtime.py --release .
python infer_flower_baseline.py --release . --head example/head.png \
  --right-wrist example/right_wrist.png --inputs example/inputs.npz \
  --output prediction.npz --device cuda --num-steps 10 --seed 42

Подробнее

Обучение: 50 эпох / 47 600 обновлений на 8×A100-SXM4-80GB; 98 демонстраций, 45 684 кадра.
Чекпоинт model.safetensors — около 14,5 ГБ; отдельная загрузка базовых весов не нужна, но нужен запас RAM/VRAM.
Заявленных бенчмарков успешности или латентности нет; loss — диагностика оптимизации, а не success rate.
Перед деплоем проверьте камеры, порядок суставов, единицы, нормализацию и лимиты.