VLA-Adapter是一种在Libero-Spatial上训练的微型视觉语言动作模型，采用Prismatic-VLM架构，仅使用Qwen2.5-0.5B作为大语言模型主干。该模型在机器人基准测试中超越了参数规模更大的开源VLA模型，实现了高性能的视觉-语言-动作理解与执行。

多模态Safetensors英语

这是一个基于DistilBERT架构的回归模型，能够根据英文自由文本预测大五人格特质（开放性、责任心、外向性、宜人性和神经质），输出为0.0到1.0之间的连续值。

自然语言处理Transformers英语

Hume-System2是一个双系统视觉-语言-行动（VLA）模型的系统2预训练权重，用于加速系统2的训练，为机器人领域的相关研究和应用提供支持。

多模态Transformers英语

VLAA-Thinker是一个创新的视觉语言模型，能够同时处理图像和文本输入，并生成高质量的文本输出。该模型基于论文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果开发，专注于类似R1的推理能力。

多模态Transformers

VLAA-Thinker-Qwen2.5-3B是一个类似R1的推理大视觉语言模型，专注于多模态推理任务。该模型在OpenCompass多模态推理排行榜上达到了SOTA性能，支持图像理解和复杂推理能力。

多模态Transformers

基于MIT/ast-finetuned-audioset-10-10-0.4593微调的音频分类模型，专注于心音分类任务，在验证集上达到96.95%的准确率。

音频处理Transformers

CogACT是一种基于视觉语言模型(VLM)衍生的新型高级视觉语言动作(VLA)架构，专为机器人操作设计。

多模态Transformers英语

CogACT是一种基于视觉语言模型(VLM)衍生的新型高级视觉语言动作(VLA)架构，专为机器人操作设计。

多模态Transformers英语

CogACT是一种新型视觉语言动作(VLA)架构，结合视觉语言模型与专用动作模块，用于机器人操作任务。

多模态Transformers英语