SANA-Robot-AR

论文与技术报告

SANA-Robot-AR 是一款 45 亿参数的世界动作模型,每次预测 32 步动作和未来画面,并用混合记忆保留历史信息。公开预训练权重可作为面向目标机器人或仿真基准继续微调的起点。

查看完整模型说明

用目标机器人的示范数据或仿真基准数据继续微调。

论文与技术报告

论文/报告待核实

已收录官方介绍,尚未核实该版本的论文或技术报告。

最近核查: 2026-11-22

如何获取与使用

模型文件
公开获取

本版本训练代码待核实。公开代码资源不代表已确认包含本版本的训练实现。 查看核验说明

训练 / 微调代码

来源核验日期 · 2026-11-22

模型文件

模型文件
SANA-Robot-AR Pretrain获取方式权重许可证商业使用
按所列条款可商用使用条款

核验日期 · 2026-11-22

发布信息

来源核验日期 · 2026-11-22

部署前需核对

这份预训练权重尚未验证可直接控制机器人。文本编码器和视频 VAE 需单独获取。 权重或代码可获取,不代表机器人可以即插即用。请按来源文档核对配置、数据与接口要求。

部署与使用资料

运行环境与依赖框架
PyTorch
微调要求
目标机器人示范数据、Gemma 2 2B IT 和 LTX-2.3 VAE

架构与输入输出

模型类型
动作策略
架构
WAM · 自回归
骨干网络
混合扩散 Transformer(24 层 Gated DeltaNet 与 8 层 Softmax 注意力)
权重参数量
4500000000
动作生成
流匹配
输入
语言 / RGB 图像 / 机器人状态
输出
每个动作块 32 个控制步
发布时间
2026年11月22日

适用范围与训练方式

输出

动作 / 视频

预测输出

动作块与未来画面,视频帧步幅为 4

训练方式

预训练

派生模型

SANA-Robot-AR RoboTwin 2.0 ↗微调

SANA-Robot-AR LIBERO ↗微调

完整参数与核验说明(模型卡)

每个动作块预测 32 个控制步,块内视频编码的帧步幅为 4。Softmax 注意力读取首帧和前一个动作块,Gated DeltaNet 将先前的动作块压缩为固定大小的状态。

外置依赖:Gemma 2 2B IT(须接受 Google 条款)和采用 Diffusers 目录结构的 LTX-2.3 视频 VAE。

**微调适配:**RoboDojo、RoboTwin 2.0 和 LIBERO 均有独立发布的微调权重,评测成绩属于各自的微调版。

提交来源或更正