AgentRoboCritic-Muse-Glimmer-30B

Fachartikel und technische Berichte

AgentRoboCritic ist ein Vision-Language-Modell zur Bewertung ausgeführter Robotermanipulationen. Aus Aufgabe, lokaler Absicht, Aktionsbefehl und Bildern vor und nach der Ausführung ermittelt es den Aktionserfolg, die Fehlerkategorie und eine visuelle Begründung. Es basiert auf einem feinabgestimmten Muse-Glimmer-30B.

Vollständige Modellbeschreibung ansehen

Bewertet, ob eine ausgeführte Robotermanipulation ihre lokale Absicht erfüllt hat, und analysiert Fehler anhand visueller Beobachtungen.

Fachartikel und technische Berichte

Fachartikel / Bericht unbestätigt

Offizielle Informationen sind erfasst; ein versionsspezifischer Fachartikel oder Bericht wurde noch nicht bestätigt.

Zuletzt geprüft: 2026-11-20

Zugang und Nutzung

Modelldateien
Öffentlicher Zugang
Trainingsdaten
Öffentlicher Zugang

Der Trainingscode dieser Version ist unbestätigt. Öffentliche Code-Ressourcen belegen nicht die Verfügbarkeit der genauen Trainingsimplementierung. Prüfhinweise ansehen

Trainings- / Fine-Tuning-Code

Trainingsdaten

Einige Trainingsdatensätze sind öffentlich; dies belegt keinen Zugang zur vollständigen Trainingsmischung.

Modelldateien

Modelldateien
AgentRoboCritic-Muse-Glimmer-30B (BF16)ZugangGewichtelizenzKommerzielle Nutzung
Unter BedingungenBedingungen

QuelleGeprüft am · 2026-11-20

Bedingungen

Laut Herausgeber Apache 2.0 unter Beachtung der Nutzungsrichtlinie für Muse Glimmer.

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-20

Vor der Bereitstellung prüfen

Die Autoren evaluierten 400 manuell annotierte, vom Training getrennte Manipulationsaktionen. Bei unzureichender Beobachtung kann das Modell ein unbestimmtes Urteil ausgeben. Verfügbare Gewichte oder Code belegen keine sofortige Roboterkompatibilität. Prüfen Sie Konfiguration, Daten und Schnittstellen in der Quelldokumentation.

Unterlagen zu Bereitstellung und Nutzung

Laufzeit und Frameworks
Transformers

Architektur und Ein-/Ausgaben

Modelltyp
Belohnung und Bewertung
Gewichteparameter
29.7766 B
Eingabe
Sprache / RGB-Bilder
Veröffentlichung
20. November 2026

Einsatzbereich und Training

Basismodell

meta-models/Muse-Glimmer-30B

Pipeline-Aufgabe

image-text-to-text

Vorhersageausgabe

JSON mit Urteil zur Absichtserfüllung, Fehlermechanismus, Unterkategorie für Greifversagen und visueller Begründung

Umfang der Trainingsdaten

12844 actions

Quellen der Trainingsdaten

https://huggingface.co/datasets/cx-cmu/AgentRoboCritic-Dataset

Abstammung

Feinabgestimmt von: meta-models/Muse-Glimmer-30B ↗

Trainingsdaten

  • AgentRoboCritic-Bench

    EvaluationVerfügbar

    400 von Menschen annotierte und vom Training getrennte Robotermanipulationen, darunter 264 fehlgeschlagene Aktionen. CC BY 4.0 gilt für die Annotationen. Für Bilder gelten weiterhin die Lizenzen ihrer jeweiligen Ursprungsbenchmarks.

    400 actions · CC BY 4.0

  • AgentRoboCritic-Dataset

    FeinabstimmungVerfügbar

    Das überwachte LoRA-Training verwendete Rang 32. Die Adapter wurden mit den Basisgewichten verschmolzen. Die Autoren nennen 12.844 Trainingsaktionen aus 12 Manipulationsbenchmarks, 2 Epochen, Batchgröße 32 und einen Kosinus-Lernratenplan mit 5×10⁻⁵. CC BY 4.0 gilt für die Annotationen. Für Bilder gelten weiterhin die Lizenzen ihrer jeweiligen Ursprungsbenchmarks.

    12844 actions · CC BY 4.0

Alle Parameter und Prüfhinweise (Modellkarte)

Auf Hugging Face veröffentlicht die Chenyan Xiong Research Group der Carnegie Mellon University. Die Projektbeteiligten nennen die Carnegie Mellon University, die University of Illinois at Urbana-Champaign sowie Bosch Research North America und das Bosch Center for Artificial Intelligence (BCAI) als Zugehörigkeiten.

Das überwachte LoRA-Training verwendete Rang 32. Die Adapter wurden mit den Basisgewichten verschmolzen. Die Autoren nennen 12.844 Trainingsaktionen aus 12 Manipulationsbenchmarks, 2 Epochen, Batchgröße 32 und einen Kosinus-Lernratenplan mit 5×10⁻⁵.

Training und Validierung umfassen 12.844 bzw. 1.548 Aktionen. Für den separaten Testsatz berichten die Autoren Cohen-κ von 0,444 für das Ergebnis und 0,484 für den Fehlermodus sowie Evaluationskosten von 0,79 USD.

Für die Evaluation galten Temperatur 0 und höchstens 1.024 Ausgabetokens.

Quelle oder Korrektur einreichen