Model Zoo

Verfuegbare modifizierte Modelle

Modell	Beschreibung	Link
Qwen2.5-VL-3B-Action	Erweiterung des Qwen2.5-VL-Vokabulars um Fast-Tokens (spezielle Vokabularerweiterung zur Diskretisierung kontinuierlicher Aktionen in Tokens)	Hugging Face
Qwen3-VL-4B-Action	Erweiterung des Qwen3-VL-Vokabulars um Fast-Tokens (wie oben)	Hugging Face
pi-fast	pi-fast Action-Tokenizer-Gewichte	Hugging Face

Feinabstimmungs-Checkpoints

SimplerEnv / Bridge

Bridge ist ein WidowX-Tischmanipulationsdatensatz; Fractal ist Googles RT-1-Robotermanipulationsdatensatz.

Modell	Framework	Basis-VLM	Beschreibung	WidowX	Link
Qwen2.5-FAST-Bridge-RT-1	QwenFast	Qwen2.5-VL-3B	Bridge + Fractal	58.6	HF
Qwen2.5-OFT-Bridge-RT-1	QwenOFT	Qwen2.5-VL-3B	Bridge + Fractal	41.8	HF
Qwen2.5-PI-Bridge-RT-1	QwenPI	Qwen2.5-VL-3B	Bridge + Fractal	62.5	HF
Qwen2.5-GR00T-Bridge-RT-1	QwenGR00T	Qwen2.5-VL-3B	Bridge + Fractal	63.6	HF
Qwen-GR00T-Bridge	QwenGR00T	Qwen2.5-VL-3B	Nur Bridge	71.4	HF
Qwen3VL-OFT-Bridge-RT-1	QwenOFT	Qwen3-VL-4B	Bridge + Fractal	42.7	HF
Qwen3VL-GR00T-Bridge-RT-1	QwenGR00T	Qwen3-VL-4B	Bridge + Fractal	65.3	HF
Florence-GR00T-Bridge-RT-1	QwenGR00T	Florence-2	Bridge + Fractal (kleines Modell)	-	HF

WidowX-Spalte: Erfolgsrate (%) bei WidowX-Roboteraufgaben in SimplerEnv. Hoeher ist besser.

LIBERO

LIBERO umfasst 4 Aufgabensuiten (Spatial, Object, Goal, Long Horizon) mit insgesamt 40 Aufgaben. Alle Checkpoints werden gemeinsam auf allen 4 Suiten trainiert. Siehe LIBERO-Evaluationsdokumentation.

Modell	Framework	Basis-VLM	Link
Qwen2.5-VL-FAST-LIBERO-4in1	QwenFast	Qwen2.5-VL-3B	HF
Qwen2.5-VL-OFT-LIBERO-4in1	QwenOFT	Qwen2.5-VL-3B	HF
Qwen2.5-VL-GR00T-LIBERO-4in1	QwenGR00T	Qwen2.5-VL-3B	HF
Qwen3-VL-OFT-LIBERO-4in1	QwenOFT	Qwen3-VL-4B	HF
Qwen3-VL-PI-LIBERO-4in1	QwenPI	Qwen3-VL-4B	HF

RoboCasa

RoboCasa GR1 Tischaufgaben mit 24 Pick-and-Place-Aufgaben. Siehe RoboCasa-Evaluationsdokumentation.

Modell	Framework	Basis-VLM	Link
Qwen3-VL-GR00T-Robocasa-gr1	QwenGR00T	Qwen3-VL-4B	HF
Qwen3-VL-OFT-Robocasa	QwenOFT	Qwen3-VL-4B	HF

RoboTwin

RoboTwin 2.0 Zweiarm-Manipulations-Benchmark mit 50 Aufgaben. Siehe RoboTwin-Evaluationsdokumentation.

Modell	Framework	Basis-VLM	Link
Qwen3-VL-OFT-Robotwin2-All	QwenOFT	Qwen3-VL-4B	HF
Qwen3-VL-OFT-Robotwin2	QwenOFT	Qwen3-VL-4B	HF

BEHAVIOR-1K

BEHAVIOR-1K Haushaltsaufgaben-Benchmark mit R1Pro-Humanoiden. Siehe BEHAVIOR-Evaluationsdokumentation.

Modell	Beschreibung	Link
BEHAVIOR-QwenDual-taskall	Gemeinsam auf allen 50 Aufgaben trainiert	HF
BEHAVIOR-QwenDual-task1	Einzelaufgaben-Training	HF
BEHAVIOR-QwenDual-task6-40k	6-Aufgaben gemeinsames Training	HF
BEHAVIOR-rgp-seg	Segmentierungs-Beobachtungsexperiment	HF

---

Datensaetze

Trainingsdatensaetze

Datensatz	Beschreibung	Link
LLaVA-OneVision-COCO	Bild-Text-Datensatz fuer VLM-Co-Training (ShareGPT4V-COCO-Teilmenge)	HF
RoboTwin-Clean	RoboTwin 2.0 bereinigte Demonstrationen (50 pro Aufgabe)	HF
RoboTwin-Randomized	RoboTwin 2.0 randomisierte Demonstrationen (500 pro Aufgabe)	HF
RoboTwin-Randomized-targz	Wie oben, im tar.gz-Paketformat (fuer Massen-Download)	HF

BEHAVIOR-Daten

Datensatz	Beschreibung	Link
BEHAVIOR-1K	BEHAVIOR-1K-Benchmark-Simulationskonfigurationen	HF
BEHAVIOR-1K-datasets	BEHAVIOR-1K-Trainingsdatensaetze	HF
BEHAVIOR-1K-datasets-assets	BEHAVIOR-1K-Szenen- und Objekt-Assets	HF
BEHAVIOR-1K-VISUALIZATION-DEMO	BEHAVIOR-1K-Visualisierungsdemos	HF
behavior-1k-task0	Einzelaufgaben-Trainingsdatenbeispiel	HF

Tipp

Neben den oben genannten StarVLA-eigenen Datensaetzen werden haeufig folgende Drittanbieter-Datensaetze fuer das Training verwendet:

• SimplerEnv/OXE: Bridge, Fractal
• LIBERO: Spatial, Object, Goal, 10
• RoboCasa: PhysicalAI-Robotics-GR00T-X

---

Wie Sie einen Checkpoint verwenden

Laden Sie einen Checkpoint herunter und starten Sie den Policy-Server:

# Herunterladen (erfordert huggingface_hub)
huggingface-cli download StarVLA/Qwen3VL-GR00T-Bridge-RT-1 --local-dir ./results/Checkpoints/Qwen3VL-GR00T-Bridge-RT-1

# Policy-Server starten
python deployment/model_server/server_policy.py \
    # steps_XXXXX ist die Trainingsschrittzahl — ersetzen Sie dies durch den tatsaechlichen Dateinamen aus Ihrem Download
    # z. B. steps_50000_pytorch_model.pt; fuehren Sie `ls` aus, um den genauen Dateinamen zu sehen
    --ckpt_path ./results/Checkpoints/Qwen3VL-GR00T-Bridge-RT-1/checkpoints/steps_XXXXX_pytorch_model.pt \
    --port 5694 \
    --use_bf16

Folgen Sie dann dem Evaluationsleitfaden fuer den Benchmark, den Sie testen moechten (z. B. SimplerEnv, LIBERO, RoboCasa, RoboTwin, BEHAVIOR).