AgentRoboCritic-Muse-Glimmer-30B
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 ansehenBewertet, ob eine ausgeführte Robotermanipulation ihre lokale Absicht erfüllt hat, und analysiert Fehler anhand visueller Beobachtungen.
Modellgewichte ansehen (2)
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
| Datei | Zugang | Gewichtelizenz | Kommerzielle Nutzung |
|---|---|---|---|
| AgentRoboCritic-Muse-Glimmer-30B (BF16) | Zugang | Gewichtelizenz | Kommerzielle Nutzung Unter BedingungenBedingungen QuelleGeprüft am · 2026-11-20 BedingungenLaut Herausgeber Apache 2.0 unter Beachtung der Nutzungsrichtlinie für Muse Glimmer. |
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
- Eingabemodalitäten · Hauptkategorie: AgentRoboCritic-Muse-Glimmer-30B
- Hauptkategorie: AgentRoboCritic
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 ↗
- Basismodell · Pipeline-Aufgabe · Vorhersageausgabe · Umfang der Trainingsdaten · Quellen der Trainingsdaten · Abstammung · meta-models/Muse-Glimmer-30B: AgentRoboCritic-Muse-Glimmer-30B
- Umfang der Trainingsdaten · Quellen der Trainingsdaten: AgentRoboCritic-Dataset
Trainingsdaten
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
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
- AgentRoboCritic-Bench · Evaluation · AgentRoboCritic-Dataset · Feinabstimmung: AgentRoboCritic-Muse-Glimmer-30B
- AgentRoboCritic-Bench · Evaluation: AgentRoboCritic-Bench
- AgentRoboCritic-Dataset · Feinabstimmung: AgentRoboCritic-Dataset
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.