Hugging Face 发布 Sys1Cal-v1 数据集:评估 Jev 等结构化概率输出的校准问题
Hugging Face 发布 Sys1Cal-v1 基准数据集,用于直接评估结构化概率输出而非仅检查预测类别的置信度。在 Jev 上测试发现,Noul 和 Score 的概率接近真实值,而二元 Choice 输出存在系统性非线性失真,可通过引入潜在第三分量 Uncertain 建模。数据集与评估代码已公开,支持在其他结构化决策模型上复现。
Hugging Face 发布 Sys1Cal-v1 基准数据集,用于直接评估结构化概率输出而非仅检查预测类别的置信度。在 Jev 上测试发现,Noul 和 Score 的概率接近真实值,而二元 Choice 输出存在系统性非线性失真,可通过引入潜在第三分量 Uncertain 建模。数据集与评估代码已公开,支持在其他结构化决策模型上复现。
Hugging Face Hub 上线 karrlleereal/omx_act_policy5,这是一个用 LeRobot 训练并推送的 ACT(Action Chunking with Transformers)模仿学习策略,从遥操作数据中学习、预测短动作块而非单步动作。
Hugging Face Hub 上线 karrlleereal/omx_act_policy,这是一个用 LeRobot 训练并推送的 ACT(Action Chunking with Transformers)模仿学习策略,从遥操作数据中学习,预测短动作块而非单步动作。
Hugging Face 上发布 ssdunit/act_abc_sim_lego_sorting_100k,这是一个用 LeRobot 0.6.1 训练的 ACT 模仿学习策略,任务为 lego_blocks_sorting。
Hugging Face 上公开的论文 EpiCon 提出一种共享多模态记忆框架,让不同智能体在不更新宿主模型参数的情况下复用彼此经验。它由两个独立训练的 2B 模型组成:记忆控制器与树状自组织器,分别负责跨尝试精炼文本引导与视觉证据、分层整合经验并检索规则。
Hugging Face 上出现一个用 LeRobot 训练并推送至 Hub 的 ACT(Action Chunking with Transformers)模仿学习策略,它从遥操作数据学习,预测短动作块而非单步动作。该策略采用 apache-2.0 许可,可用 lerobot-train 从零训练,并用 lerobot-record 配合 so100_follower 机器人本体运行推理与评估。
Hugging Face 上出现基于 ACT(Action Chunking with Transformers)的模仿学习策略 omx_act_policy_2,该策略用 LeRobot 训练并推送到 Hub,从遥操作数据中学习、预测短动作块而非单步动作。
Hugging Face 上的 hotchpotch/s1mb-result 数据集收录 System One Mosaic Benchmark(S1MB)的模型评测结果,整合 Choice、Noul 和 Score 三类专项任务。
Hugging Face 发布 LeRF,让视觉语言模型在推理前显式确定提问所指的视角,必要时定位参考人或物体并预测其前、左、上方向,再用轻量工具在图像上画出坐标轴供模型作答。该方法通过监督微调学习坐标系预测与选择性工具调用,用强化学习学习基于自生成坐标系的推理,推理时无需外部感知模型或显式三维重建,在多个基准上提升了视角采择表现,包括想象视角问题。
Hugging Face 上线 SO-101 SimStudio Lab01 抓放数据集 v4(alexhegit/so101-simstudio-lab01-pnp-agent-yaw-v4),共 140 个 episode、67235 帧,20 fps、3 路 640×480 相机,状态为 15 维位置+速度+末端 XYZ。
alexhegit 在 Hugging Face 发布 SO-101 Lab01 抓放任务的 ACT 策略检查点,基于 yaw-aware agent v4 数据集训练,仅使用 15 维 observation.state 中的前 6 维关节位置。
Hugging Face 上线数据集 ssmit203/assignment3_7,由 LeRobot 生成,机器人类型为 so101_follower,代码库版本 v2.1。该数据集含 30 条 episode、2058 帧、1 个任务,30 fps,动作与状态均为 6 维(肩部旋转/抬升、肘部、腕部弯曲/旋转、夹爪),另含 480×640 前置视频。
Hugging Face 上发布了一个基于 ACT(Action Chunking with Transformers)的 UR5e 模仿学习策略,用 LeRobot 0.6.1 训练,任务是把方形螺母装到方形销上。该策略使用 100 条遥操作数据(24602 帧、20 FPS)训练 10 万步,输入两路 84×84 图像和 9 维状态,输出 7 维动作,目前尚未提供评测结果。
Hugging Face 上线 nakanakagawa/sponge_task_9_29_v4 数据集,由 LeRobot 生成,机器人类型为 so_follower,共 8 条 episode、3192 帧、1 个任务,帧率 20 fps,采用 codebase_version v3.0。
mradermacher 为 SEAD-SAGE-4B 发布了 GGUF 静态量化版本,暂未提供 weighted/imatrix 量化。已提供从 Q2_K(1.9 GB)到 f16(8.9 GB)的多档量化,其中 Q4_K_S 与 Q4_K_M 标注为快速、推荐,Q6_K 为质量很好,Q8_0 为快速且最佳质量。
Hugging Face Hub 上线 Tridex/model_act_3cam_resnet_100K_29_09_v2,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,面向 so_follower 机器人,配 front、side、top 三路摄像头,输入 6 维状态、输出 6 维动作。
Hugging Face Hub 上出现一个用 LeRobot 训练并推送的 ACT(Action Chunking with Transformers)抓取放置策略,从遥操作数据中模仿学习,预测短动作块而非单步动作。该策略采用 apache-2.0 许可,可用 lerobot-train 从零训练、lerobot-record 配合 so100_follower 机器人做推理评估。
Hugging Face 上线 yanggangu/CLIP-ViT-base-patch32-SMAT-DTD,这是 SMAT(Simple and Efficient Merge-Aware Training)论文表 2 中 seed 42 的专家模型,训练时即考虑模型合并。
Hugging Face 上线 yanggangu/CLIP-ViT-base-patch32-SMAT-SVHN,这是 SMAT(Simple and Efficient Merge-Aware Training)论文表 2 中针对 SVHN 的专家模型,seed 42。
Hugging Face 上线 CLIP-ViT-base-patch32-SMAT-RESISC45,这是 SMAT(Simple and Efficient Merge-Aware Training)论文表 2 中的专家模型,训练种子为 42。
Hugging Face 上出现一个用 LeRobot 训练并推送至 Hub 的 ACT(Action Chunking with Transformers)模仿学习策略,它从遥操作数据中学习、预测短动作块而非单步动作。模型采用 apache-2.0 许可,可用 lerobot-train 从零训练,并用 lerobot-record 配合 so100_follower 机器人评估推理。
Hugging Face 上线数据集 jetsonmom/omx_yellow_bear_box_2cam,由 LeRobot 生成,机器人类型为 omx_follower,含 20 条 episode、7043 帧、40 段视频,30 fps,动作与状态均为 6 自由度。
Hugging Face 上线 so-arm101-stack-green 数据集,由 LeRobot 生成,采用 codebase_version v3.0,机器人类型为 so_follower。数据集含 40 条 episode、32712 帧、1 个任务,30 fps,记录 6 自由度关节位置与前置、腕部两路 480×640 视频,全部划为训练集。
Hugging Face 上发布 strands-isaaclab-ant-131k-policy,这是用 rsl_rl PPO 在 Isaac Lab 的 Isaac-Ant 任务上训练的机器人策略,训练规模达 131,072 个并行环境。
Hugging Face 上线 nakanakagawa/sponge_task_9_29 数据集,由 LeRobot 生成,采用 v3.0 代码库版本,机器人类型为 so_follower。数据集含 4 条 episode、1596 帧、1 个任务,20 FPS,动作与状态均为 6 维关节位置,配 cam_0、cam_1 两路 480×640 视频。
Hugging Face 上线 strands-isaaclab-shadow-handover-policy,这是用 rsl_rl PPO 训练的两只 Shadow 手物体交接策略,在 Isaac-Shadow-Handover 任务上以 2048 环境 × 1500 次迭代训练,交接成功率 0.89。
Hugging Face Hub 上线 pigProfessional/act_so101_stack_green,这是一个用 LeRobot 0.6.2 训练的 ACT 模仿学习策略,机器人类型为 so_follower,输入 6 维状态与前置、腕部两路 480×640 图像,输出 6 维动作。
Hugging Face 上出现了一个用 LeRobot 训练并推送至 Hub 的 ACT(Action Chunking with Transformers)策略模型,该方法通过模仿学习从遥操作数据中预测短动作块而非单步动作,通常能取得较高成功率。
Hugging Face Hub 上出现了一个用 LeRobot 训练的 ACT(Action Chunking with Transformers)模仿学习策略模型 lenawngr/ACT_SWITCH-2-bottom_half1_test,采用 apache-2.0 许可。
strands-robots 通过 isaaclab train_policy provider 在 Isaac Lab 中训练宇树 Go2 四足机器人 PPO 策略,4096 个并行环境、1500 次迭代、147M 环境步,在单张 NVIDIA L40S 上耗时 57 分 39 秒,速度跟踪成功率 0.98。
推荐理由:原文给出从 Isaac Lab 训练 PPO 策略到录制 LeRobot v3 数据集的完整命令与验证流程,可迁移到其他机器人任务。
cagataydev 在 Hugging Face 发布 strands-isaaclab-shadow-reorient-policy,这是用 strands-robots 的 isaaclab train_policy provider(PR #4227)训练的 rsl_rl PPO 策略,任务为 Isaac-Reorient-Cube-Shadow 手中方块重定向。
推荐理由:读者可据此了解用 strands 工具链在 Isaac Lab 中训练并导出 Shadow Hand 转方块策略的完整流程与实测指标。
Hugging Face Hub 上线 klinzw/pi05_autolife_fridge,这是基于 Physical Intelligence π₀.₅、用 LeRobot 0.6.0 微调并推送的视觉语言动作策略,机器人本体为 autolife_s1,执行“open fridge”和“close fridge”任务。
ayousanz 发布 JapaneseTinyAgentLM-Action-3M,一个 3,148,608 参数的 decoder-only Transformer,把日语短指令转成 look、set_expression、nod 三类动作的 JSON 数组,非指令或无法执行的请求返回空数组。
推荐理由:3.1M 参数模型在 ESP32-S3 上本地把日语指令转成动作 JSON,附完整评测与误差区间,可看端侧具身控制的可行边界。
Hugging Face 上线数据集 Sterzhang/video2skill-bench,页面仅保留“以开源和开放科学推进 AI 民主化”的使命说明,未披露数据规模、任务类型或评测指标等细节。
Hugging Face 上线了 arrg-unam/molmoact2_omx_hidroferol 模型页面。该页面目前仅展示 Hugging Face 推进开源与开放科学的使命表述,未提供模型架构、参数规模、训练数据或评测结果等具体信息。
Hugging Face Hub 上线了基于 ACT(Action Chunking with Transformers)模仿学习方法的机器人策略 act_so101_pickplace_v9。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r03-mining-no-cf-divl,这是一个基于父代冻结扩散 actor 与分布式 DIVL critic 的状态型智能体,训练步数 150001,含 5 个随机种子检查点。
Hugging Face 在 Mulligan 项目下发布基于状态的 IDQL 智能体检查点 sim-square-narrow-r03,采用扩散 actor 加标量 IQL critic,训练步数 150001,覆盖 5 个随机种子。
Hugging Face 上的 Mulligan 项目发布 sim-square-narrow-r03-mulligan-divl 检查点,基于父代冻结扩散 actor 与分布式 DIVL critic,在 sim-square-narrow 任务训练至 150001 步,含 5 个随机种子。
Hugging Face 的 Mulligan 项目发布 sim-square-narrow-r03-mining-no-cf-idql,这是一个基于状态的 IDQL 智能体,采用扩散 actor 与标量 IQL critic,包含 policy.pt 和 stats.json 归一化器。