SANA-Robot-AR LIBERO

Fachartikel und technische Berichte

SANA-Robot-AR LIBERO ist ein Weltaktionsmodell mit 4,5 Milliarden Parametern, das mit vier LIBERO-Suiten für einen simulierten einarmigen Franka Panda nachtrainiert wurde. Es sagt aus zwei Kamerabildern, dem Roboterzustand und einer Sprachanweisung 32 Steuerschritte und das künftige Video voraus.

Vollständige Modellbeschreibung ansehen

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
Trainingsdaten
Teilweise verfügbar

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

Trainingsdaten

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

Modelldateien

Modelldateien
SANA-Robot-AR LIBERO 8k EMAZugangGewichtelizenzKommerzielle Nutzung
Gemäß genannten Bedingungen erlaubtBedingungen

Geprüft am · 2026-11-22

Veröffentlichungsangaben

QuelleGeprüft am · 2026-11-22

Vor der Bereitstellung prüfen

Die berichteten Ergebnisse gelten für simulierte Manipulationsaufgaben mit einem einarmigen Franka Panda. Für andere Roboter, Kameras, Aufgaben oder Szenen ist eine Feinabstimmung erforderlich. Der vom Projekt verlinkte GitHub-Zweig robot liefert derzeit 404. Der öffentliche Zugang zum Evaluierungscode und dessen separate Lizenz sind noch ungeklärt. 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

Architektur und Ein-/Ausgaben

Modelltyp
Aktionspolicy
Architektur
WAM · Autoregressiv
Backbone
Hybrider Diffusions-Transformer mit Gated DeltaNet und Softmax-Aufmerksamkeit
Gewichteparameter
4500000000
Aktionsgenerierung
Flow Matching
Eingabe
Sprache / RGB-Bilder / Roboterzustand
Ausgabe
Endeffektorpose im Roboterbasisrahmen, 32 Steuerschritte pro Block
Veröffentlichung
22. November 2026

Einsatzbereich und Training

Endeffektorpose im Roboterbasisrahmen, 32 Steuerschritte pro Block

horizon 32

Ausgabe

Aktionen / Video

Vorhersageausgabe

32 Aktionsschritte und künftiges Video mit Bildabstand 4

Training

Imitationslernen

Abstammung

Feinabgestimmt von: SANA-Robot · SANA-Robot-AR ↗

  • Ausgabe · Vorhersageausgabe · Training · Endeffektorpose im Roboterbasisrahmen, 32 Steuerschritte pro Block · continuous · Abstammung · SANA-Robot-AR: SANA-Robot-AR LIBERO
  • Endeffektorpose im Roboterbasisrahmen, 32 Steuerschritte pro Block · continuous: meta.json

Trainingsdaten

Evaluationsergebnisse

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

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · Erweiterte Schrittgrenzen ↗

Erfolgsquote: 93.98 %

400/400/400/700 control steps

Simulierter Franka Panda (einarmig)

2 Entrauschungsschritte, ohne Guidance, Neuplanung alle 16 Steuerschritte

Erweiterte Schrittgrenzen · 10.030 Episoden · Steuerschritte: Spatial 400, Object 400, Goal 400, Long 700

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-Plus · LIBERO-Standardschrittgrenzen ↗

Erfolgsquote: 93.35 %

220/280/300/520 control steps

Simulierter Franka Panda (einarmig)

2 Entrauschungsschritte, ohne Guidance, Neuplanung alle 16 Steuerschritte

LIBERO-Standardschrittgrenzen · 10.030 Episoden · Steuerschritte: Spatial 220, Object 280, Goal 300, Long 520

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-PRO · Erweiterte Schrittgrenzen ↗

Erfolgsquote: 68.09 %

400/400/400/700 control steps

Simulierter Franka Panda (einarmig)

10 Entrauschungsschritte, Video-Guidance 3, Neuplanung alle 8 Steuerschritte

Erweiterte Schrittgrenzen · 8.000 Episoden · Steuerschritte: Spatial 400, Object 400, Goal 400, Long 700

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-MAX · Basisszenarien ↗

Erfolgsquote: 88.3 %

220/280/300/520 control steps

Simulierter Franka Panda (einarmig)

2 Entrauschungsschritte, ohne Guidance, Neuplanung alle 16 Steuerschritte

Basisszenarien · 8.000 Episodenpaare · Steuerschritte: Spatial 220, Object 280, Goal 300, Long 520

Evaluation des Herausgebers · Berichtet; nicht unabhängig reproduziert

LIBERO-MAX · Dynamische Szenarien ↗

Erfolgsquote: 76.06 %

220/280/300/520 control steps

Simulierter Franka Panda (einarmig)

2 Entrauschungsschritte, ohne Guidance, Neuplanung alle 16 Steuerschritte

Dynamische Szenarien · 8.000 Episodenpaare · Steuerschritte: Spatial 220, Object 280, Goal 300, Long 520

Alle Parameter und Prüfhinweise (Modellkarte)

Die PyTorch-Datei enthält unter state_dict_ema die EMA-Policy-Gewichte nach 8.000 Schritten (Abklingfaktor 0,999). Verwenden Sie die mitgelieferten Metadaten und die Normalisierung. Gemma 2 2B IT als Textencoder und der LTX-2.3 Video-VAE sind separat erhältlich. Für Gemma gelten eigene Nutzungsbedingungen. Die Modellkarte nennt eval/libero, eval/libero/deploy.yaml und configs/libero_ar.yaml.

Die LIBERO-Plus-Assets gehören zu den 10.030 Aufgaben. LIBERO-PRO stellt Aufgaben und Anfangszustände separat bereit. Für PRO berichten die Autoren Erfolgsquoten von 88,95 % (Objekt), 47,65 % (Position), 98,10 % (Semantik) und 37,65 % (Aufgabe). LIBERO-MAX vergleicht Laufpaare mit derselben Aufgabe, demselben Anfangszustand, derselben Anweisung und demselben Seed. Dynamic spielt zunächst den ausgeführten Aktionsanfang ab und fügt dann ein Ereignis ein. Alle zugewiesenen Fälle zählen für die Erfolgsquote.

Das offizielle Protokoll von LIBERO-Plus sieht einen Versuch pro Aufgabe vor. Im dokumentierten Modus von LIBERO-PRO ist jeweils eine Störung aktiv. Die Zuordnung bestimmt die entsprechende Suite. Die Modellkarte nennt die Auswertungseinstellungen. Die genauen Revisionen der verwendeten Benchmark-Assets sind noch ungeklärt.

Quelle oder Korrektur einreichen