VLA-Adapter是一種在Libero-Spatial上訓練的微型視覺語言動作模型，採用Prismatic-VLM架構，僅使用Qwen2.5-0.5B作為大語言模型主幹。該模型在機器人基準測試中超越了參數規模更大的開源VLA模型，實現了高性能的視覺-語言-動作理解與執行。

多模態Safetensors英語

這是一個基於DistilBERT架構的迴歸模型，能夠根據英文自由文本預測大五人格特質（開放性、責任心、外向性、宜人性和神經質），輸出為0.0到1.0之間的連續值。

自然語言處理Transformers英語

Hume-System2是一個雙系統視覺-語言-行動（VLA）模型的系統2預訓練權重，用於加速系統2的訓練，為機器人領域的相關研究和應用提供支持。

多模態Transformers英語

VLAA-Thinker是一個創新的視覺語言模型，能夠同時處理圖像和文本輸入，並生成高質量的文本輸出。該模型基於論文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果開發，專注於類似R1的推理能力。

多模態Transformers

VLAA-Thinker-Qwen2.5-3B是一個類似R1的推理大視覺語言模型，專注於多模態推理任務。該模型在OpenCompass多模態推理排行榜上達到了SOTA性能，支持圖像理解和複雜推理能力。

多模態Transformers

基於MIT/ast-finetuned-audioset-10-10-0.4593微調的音頻分類模型，專注於心音分類任務，在驗證集上達到96.95%的準確率。

音頻處理Transformers

CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。

多模態Transformers英語

CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。

多模態Transformers英語

CogACT是一種新型視覺語言動作(VLA)架構，結合視覺語言模型與專用動作模塊，用於機器人操作任務。

多模態Transformers英語