Downloads · 30 days
10
14% of all-time downloads
prehj/GR00T-N1.5-libero-atq-v3d-so3-s2-60k
GR00T-N1.5-libero-atq-v3d-so3-s2-60k is a robotics model from prehj. Use it for the robotics task on the model card, and read the license before you ship it in a product. The card lists the license as other.
압축 가능성 라벨로 게이트를 학습한 액션 양자화(ATQ) 체크포인트다. 하나의 정책이 미세(1x) 디코더와 압축 디코더를 함께 갖고, VLM 라벨에서 배운 conf 가 둘 중 어느 군을 쓸지 고른다. 라우터는 그 군 안에서 horizon 만 고른다.
Downloads · 30 days
10
14% of all-time downloads
All-time downloads
73
Public
Parameters
2.8B
8 GB on disk
Likes
0
Public
Click a slice to open those files.
.safetensors8 GB · 100%
How the weights are stored.
BF161.7B · 58%
From the Hugging Face model README
압축 가능성 라벨로 게이트를 학습한 액션 양자화(ATQ) 체크포인트다. 하나의 정책이 미세(1x) 디코더와 압축 디코더를 함께 갖고, VLM 라벨에서 배운 conf 가 둘 중 어느 군을 쓸지 고른다. 라우터는 그 군 안에서 horizon 만 고른다.
라벨: prehj/libero-conf-labels-v3d (VLM 전용, 접촉 열 없음 · 16,286행 · 1,693에피 · stride 16)
| expert | horizon(행) | span | 블록 플랜 | 압축 |
|---|---|---|---|---|
main | 16 | 16 | 1×16 | 1x |
m8 | 7 | 16 | 2,3,2,3,2,2,2 | 2.29x |
m4 | 3 | 8 | 2,3,2 | — |
n8 | 8 | 8 | 1×8 | 1x |
moe_expert_horizons = [16, 7, 3, 8] · conf_threshold(tau) = 0.55
· discrete_action_dims = [6] (그리퍼는 절대 명령이라
블록의 마지막 값을 쓴다. 이 목록이 비면 합산되어 -2/-3 이 나간다)
· action_merge_reduction = sum
회전 병합은 SO(3) 다(rotation_merge_spec 이 config 에 있다). 압축 블록의 회전
델타를 단순히 더하지 않고, 정규화를 되돌려 회전벡터 → 쿼터니언으로 시간순 합성한 뒤
다시 정규화한다. scipy 대조 각도 오차 1e-14도.
LIBERO 는 5 fine 스텝마다 재계획한다. 압축 행 하나는 fine 액션 2~3개의 합이므로
블록 플랜 누적합이 5 에 닿는 만큼만 앞에서 쓴다 -- 이 체크포인트에서는 압축 청크가
2.5x 로 실행된다(2.29x 가 아니다). 그래서 같은 안의 m8 과 m4 가
같은 배속이 되고, 배속을 움직이는 손잡이는 conf 게이트 하나다:
실효배속 = 1 + 압축비율 × (2.5 - 1)
| 수트 | 에피 | 성공 | 성공률 | 압축비율 | 실효배속 | 성공 평균 스텝 |
|---|---|---|---|---|---|---|
| libero_spatial | 500 | 473 | 0.946 | 0.056 | 1.035 | 103.6 |
| libero_object | 500 | 434 | 0.868 | 0.778 | 1.875 | 98.5 |
| libero_goal | 500 | 450 | 0.900 | 0.455 | 1.375 | 86.3 |
| libero_10 | 500 | 406 | 0.812 | 0.524 | 1.459 | 203.5 |
| 전체 | 2000 | 1763 | 0.881 | 0.518 | 1.450 | 120.9 |
압축비율은 청크 가중이고 성공 평균 스텝은 에피소드 가중이다. 압축 행은 ±1 을 넘으므로 OSC 팔 컨트롤러의 입력 클립을 제거한 조건에서 평가했다(그리퍼 레일 · PD 게인 · 토크 클립 · MuJoCo 액추에이터 한계는 그대로).
게이트는 벤치마크가 실제로 깨지는 순서를 따른다 -- 압축에 강한 libero_object 를 가장
많이 압축하고, 2배에서 -0.160 으로 무너지는 libero_spatial 은 거의 압축하지 않는다.
코드: GR00T-action-quantization,
브랜치 jimin-dev-label-gated.
# 정책 서버 (웹소켓)
PYTHONPATH=$ATQ python scripts/serve_policy_moe.py \
--model-path <이 체크포인트> --port 8000 --head moe \
--data-config libero_conf --embodiment-tag new_embodiment
# tau 를 바꿔 속도/성공률 곡선을 훑을 수 있다: --conf-threshold 0.5
# 롤아웃 (LIBERO 환경, 클립 제거)
python gr00t/eval/libero/eval_taskwise_gr00t_moe.py \
--args.task-suite-name libero_spatial --args.task_idx 0 --args.port 8000 \
--args.ckpt-config <이 체크포인트>/config.json --args.no-action-clip
--data-config libero_conf 여야 한다. conf 캐리어가 action_keys 에 있어서 stock
libero 컨피그로 서빙하면 언정규화 슬라이스가 어긋난다.
모델 가중치와 추론에 필요한 설정만 있다. optimizer.pt · rng_state_* ·
scheduler.pt 는 학습 재개용이라 올리지 않았다.
config.json 헤드 설정(블록 플랜 · tau · 회전병합 · 이산차원)
model-0000{1,2}-of-00002.safetensors
model.safetensors.index.json
experiment_cfg/metadata.json 정규화 통계 (없으면 액션을 되돌릴 수 없다)
trainer_state.json 학습 이력
베이스 nvidia/GR00T-N1.5-3B · 2 GPU × per-device 32 = 배치 64 · 60,000 스텝 · seed 42.