SANA-Robot-AR

Fachartikel und technische Berichte

SANA-Robot-AR is a 4.5B-parameter world action model that predicts 32-step action chunks and future video. It combines windowed attention with Gated DeltaNet memory. The public pretrained weights are intended for fine-tuning on a target robot or benchmark.

Vollständige Modellbeschreibung ansehen

Initialization for further fine-tuning on target robot demonstrations or simulation benchmarks.

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

Modelldateien
Öffentlicher Zugang

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

Trainings- / Fine-Tuning-Code

QuelleGeprüft am · 2026-11-22

Modelldateien

Modelldateien
SANA-Robot-AR PretrainZugangGewichtelizenzKommerzielle Nutzung
Gemäß genannten Bedingungen erlaubtBedingungen

Geprüft am · 2026-11-22

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-22

Vor der Bereitstellung prüfen

Direct robot control with the pretrained weights has not been validated. Load the text encoder and video VAE separately. 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
PyTorch
Anforderungen an die Feinabstimmung
Target robot demonstrations, Gemma 2 2B IT and LTX-2.3 VAE

Architektur und Ein-/Ausgaben

Modelltyp
Aktionspolicy
Architektur
WAM · Autoregressiv
Backbone
Hybrid Diffusion Transformer (24 Gated DeltaNet layers and 8 softmax layers)
Gewichteparameter
4500000000
Aktionsgenerierung
Flow Matching
Eingabe
Sprache / RGB-Bilder / Roboterzustand
Ausgabe
32 control steps per action chunk
Veröffentlichung
22. November 2026

Einsatzbereich und Training

Ausgabe

Aktionen / Video

Vorhersageausgabe

Action chunk and future video at a frame stride of 4

Training

Vortraining

Abgeleitete Modelle

SANA-Robot-AR RoboTwin 2.0 ↗Feinabstimmung

SANA-Robot-AR LIBERO ↗Feinabstimmung

Alle Parameter und Prüfhinweise (Modellkarte)

Each chunk predicts 32 control steps and encodes video at a frame stride of 4. Softmax attention reads the first frame and the previous chunk, while Gated DeltaNet summarizes preceding chunks in a fixed-size state.

External dependencies: Gemma 2 2B IT (Google terms acceptance) and LTX-2.3 video VAE (Diffusers layout).

Fine-tuning recipes: RoboDojo, RoboTwin 2.0 and LIBERO. Each has a separately released fine-tuned checkpoint, and the benchmark scores belong to those variants.

Quelle oder Korrektur einreichen