VLA-Adapterは、Libero-Spatial上で訓練されたマイクロビジョン言語アクションモデルで、Prismatic-VLMアーキテクチャを採用し、大規模言語モデルのバックボーンとしてQwen2.5-0.5Bのみを使用しています。このモデルは、ロボットのベンチマークテストで、パラメータ規模がより大きいオープンソースのVLAモデルを上回り、高性能なビジョン - 言語 - アクションの理解と実行を実現しています。

マルチモーダルSafetensors英語

これはDistilBERTアーキテクチャに基づく回帰モデルで、英語の自由テキストに基づいて五大人格特性（開放性、誠実性、外向性、協調性、神経質）を予測し、0.0から1.0の間の連続値を出力します。

自然言語処理Transformers英語

Hume-System2は、デュアルシステムのビジョン - 言語 - 行動（VLA）モデルのシステム2の事前学習重みで、システム2の学習を高速化し、ロボット分野の関連研究やアプリケーションにサポートを提供します。

マルチモーダルTransformers英語

VLAA-Thinkerは革新的な視覚言語モデルで、画像とテキストの入力を同時に処理し、高品質なテキスト出力を生成することができます。このモデルは論文「SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models」の研究成果に基づいて開発され、R1に類似した推論能力に焦点を当てています。

マルチモーダルTransformers

VLAA-Thinker-Qwen2.5-3Bは、R1に似た大規模ビジュアル言語推論モデルで、マルチモーダル推論タスクに特化しています。このモデルは、OpenCompassのマルチモーダル推論ランキングでSOTA性能を達成し、画像理解と複雑な推論能力をサポートしています。

マルチモーダルTransformers

MIT/ast-finetuned-audioset-10-10-0.4593をベースに微調整したオーディオ分類モデルで、心音分類タスクに特化しており、検証セットで96.95%の精度を達成しています。

音声処理Transformers

CogACTは、視覚言語モデル(VLM)に基づいて派生した新しい高度な視覚言語動作(VLA)アーキテクチャで、ロボット操作向けに設計されています。

マルチモーダルTransformers英語

CogACTは視覚言語モデル(VLM)に基づく新しい高度な視覚言語動作(VLA)アーキテクチャで、ロボット操作のために設計されています。

マルチモーダルTransformers英語

CogACTは、ロボット操作タスクのための視覚言語モデルと専用動作モジュールを組み合わせた新しい視覚言語動作(VLA)アーキテクチャです。

マルチモーダルTransformers英語