DynamicVLA LIBERO

Fachartikel und technische Berichte

S-Lab an der Technischen Universität Nanyang hat DynamicVLA ausgehend von den DOM-Gewichten in LeRobot auf vier LIBERO-Simulationssuiten feinabgestimmt. Je Vorhersage führt die Policy zehn Aktionsschritte aus. Die Gewichte sind öffentlich abrufbar.

Fachartikel und technische Berichte

Fachartikel / Bericht unbestätigt

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

Zuletzt geprüft: 2026-11-22

Zugang und Nutzung

Öffentliche Code-Ressourcen
Öffentlicher Zugang
Modelldateien
Öffentlicher Zugang
Trainingsdaten
Öffentlicher Zugang

Code und Training / Fine-Tuning

Zugang
Öffentlicher Zugang

QuelleGeprüft am · 2026-11-22

Geprüft am · 2026-11-22

Trainingsdaten

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

Modelldateien

Modelldateien
DynamicVLA LIBERO · SafetensorsZugangGewichtelizenzKommerzielle Nutzung
Nicht erlaubtBedingungen

Geprüft am · 2026-11-22

Bedingungen

Die S-Lab License 1.0 erlaubt nicht kommerzielle Nutzung und Weitergabe unter ihren Bedingungen. Für eine kommerzielle Nutzung sind die Mitwirkenden zu kontaktieren.

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-22

Vor der Bereitstellung prüfen

Verfügbare Gewichte oder Code belegen keine sofortige Roboterkompatibilität. Prüfen Sie Konfiguration, Daten und Schnittstellen in der Quelldokumentation.

Unterlagen zu Bereitstellung und Nutzung

Inferenzmodus
Aktionsblöcke, Streaming deaktiviert
Laufzeit und Frameworks
LeRobot
Anforderungen an die Feinabstimmung
40.000 Schritte, globale Batchgröße 72 (3 GPUs × 24), AdamW, 1.000 Aufwärmschritte, Kosinus-Absenkung von 0,0001 auf 0,0000025
Bereitstellungsanforderungen
LeRobot mit LIBERO-Simulationsumgebung (MuJoCo)

Architektur und Ein-/Ausgaben

Modelltyp
Aktionspolicy
Architektur
VLA
Backbone
SmolLM2-360M
Aktionsgenerierung
Flow Matching
Eingabe
Sprache / RGB-Bilder / Roboterzustand
Ausgabe
7-dimensionale LIBERO-Aktion
Veröffentlichung
22. November 2026

Einsatzbereich und Training

Ausgabe

Aktionen

Vorhersageausgabe

20 vorhergesagte Schritte, davon 10 je Vorhersage ausgeführt

Aufgabenumfang

Mehrere Aufgaben

Quellen der Trainingsdaten

HuggingFaceVLA LIBERO

Training

Überwachtes Fine-Tuning

Abstammung

Feinabgestimmt von: DynamicVLA · DynamicVLA DOM (official) ↗

Trainingsdaten

Evaluationsergebnisse

Keine verifizierten unabhängigen Evaluationen für diese Version oder die ausgewählten Gewichte erfasst.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO · DynamicVLA · 500 Episoden je Suite ↗

Durchschnittliche Erfolgsrate über vier Suiten: 95.5 %

LeRobot · 500 episodes per suite

Evaluierungsbatchgröße 10, zehn ausgeführte Aktionsschritte je Vorhersage.

Von den Autoren berichteter LIBERO-Simulationstest in LeRobot. Zehn Aufgaben je Suite, 50 Episoden je Aufgabe (500 je Suite, insgesamt 2.000).

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Gesamterfolgsquote: 61.4 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

LIBERO-Spatial: 78 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

LIBERO-Object: 71.9 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

LIBERO-Goal: 42.1 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

LIBERO-10: 54.9 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Kamera: 38.5 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Roboter: 63.7 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Sprache: 75.5 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Beleuchtung: 87.2 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Hintergrund: 52.9 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Rauschen: 46.2 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · DynamicVLA Zero-Shot ↗

Objektanordnung: 71.7 %

4976dc3

LeRobot-Umgebung libero_plus mit 256 × 256 Rendering, Hard-Resets und Batchgröße 1. Für NumPy 2 verwendet der Nebeleffekt np.float64.

Von den Autoren berichtete Zero-Shot-Evaluation aller 10.030 registrierten Varianten mit je einer Episode. Der Checkpoint wurde nur auf LIBERO feinabgestimmt und hatte vor der Evaluation keinen Kontakt mit LIBERO-Plus-Daten.

Quelle oder Korrektur einreichen