NAT VLA 450M

NAT VLA 450M is a robot policy built on Liquid AI’s LFM2-VL-450M. It turns images, natural-language instructions and robot state into time-ordered NAT action tokens for streaming control. LeRobot supports fine-tuning and token-prefix real-time chunking.

Publikationen (1)

NAT: Scaling Causal Neural Action Tokenizers Across Embodiments

Fachartikel verfügbar

Autoren und Einrichtungen (3)

Autorenreihenfolge: Originalreihenfolge

  1. Ahad Jawaid

    Nicht angegeben

  2. Alexander Swerdlow

    Stanford University

  3. Yu Xiang

    The University of Texas at Dallas

Erstveröffentlichung
Nicht angegeben
Neueste Revision
Nicht angegeben
Konferenz / Zeitschrift
Nicht angegeben

Abgedeckte Modellversionen

Zugang und Nutzung

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

Code und Training / Fine-Tuning

Zugang
Öffentlicher Zugang

QuelleGeprüft am · 2026-11-22

Code-Lizenz
Apache-2.0

Geprüft am · 2026-11-22

Modelldateien

Modelldateien
NAT VLA 450M PretrainedZugangGewichtelizenzKommerzielle Nutzung
Unter BedingungenBedingungen

Geprüft am · 2026-11-22

Bedingungen

LFM Open License v1.0 applies to the policy checkpoint. See section 5 for the annual revenue threshold of USD 10 million and the qualified nonprofit research provision.

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-22

Vor der Bereitstellung prüfen

Fine-tune on target robot data. With the default tokenizer, streaming and token-prefix RTC require at most seven action dimensions; wider actions are decoded in groups and returned as a full chunk. The paper’s real-robot results used a separately fine-tuned Trossen AI Solo policy. Verfügbare Gewichte oder Code belegen keine sofortige Roboterkompatibilität. Prüfen Sie Konfiguration, Daten und Schnittstellen in der Quelldokumentation.

Unterlagen zu Bereitstellung und Nutzung

Inferenzmodus
Greedy action-token decoding; streaming and token-prefix RTC for up to 7 dimensions
Datenformat
LeRobot dataset with action min/max and robot-state q01/q99
Laufzeit und Frameworks
LeRobot / PyTorch / Transformers
Anforderungen an die Feinabstimmung
Target-robot dataset, camera configuration, robot setup and control mode
Bereitstellungsanforderungen
LeRobot main at e5be0c1 or later with nat_vla extra; Python ≥3.12; Transformers ≥5.22.0,<5.23.0 at e5be0c1

Architektur und Ein-/Ausgaben

Modelltyp
Aktionspolicy
Architektur
VLA
Backbone
Liquid AI LFM2-VL-450M
Gewichteparameter
540222460 parameters
Aktionsgenerierung
Autoregressiv
Eingabe
Sprache / RGB-Bilder / Roboterzustand
Ausgabe
32 steps; 14 tokens per group of up to 7 dimensions

Einsatzbereich und Training

Basismodell

Liquid AI LFM2-VL-450M

Code-Lizenz

Apache-2.0

Verkörperungsumfang

Mehrere Verkörperungen

Implementierungsquelle

Offiziell

Funktionsbereich

action_control

Ausgabe

Aktionen

Vorhersageausgabe

Time-ordered NAT action tokens

Roboterform

Roboterarm

Aufgabenumfang

Mehrere Aufgaben

Umfang der Trainingsdaten

1,800 hours of VLA pretraining data

Quellen der Trainingsdaten

BridgeData V2 / DROID

Training

Imitationslernen / Vortraining / Überwachtes Fine-Tuning

Quelle oder Korrektur einreichen