Model Zoo

Modeles modifies disponibles

Modele	Description	Lien
Qwen2.5-VL-3B-Action	Extension du vocabulaire de Qwen2.5-VL avec des fast tokens (extension speciale du vocabulaire pour discretiser les actions continues en tokens)	Hugging Face
Qwen3-VL-4B-Action	Extension du vocabulaire de Qwen3-VL avec des fast tokens (idem)	Hugging Face
pi-fast	Poids du tokenizer d’actions pi-fast	Hugging Face

Checkpoints de fine-tuning

SimplerEnv / Bridge

Bridge est un dataset de manipulation sur table WidowX ; Fractal est le dataset de manipulation robotique RT-1 de Google.

Modele	Framework	VLM de base	Description	WidowX	Lien
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	Bridge uniquement	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 (petit modele)	-	HF

Colonne WidowX : Taux de reussite (%) sur les taches du robot WidowX dans SimplerEnv. Plus eleve = mieux.

LIBERO

LIBERO comporte 4 suites de taches (Spatial, Object, Goal, Long Horizon) avec 40 taches au total. Tous les checkpoints sont entraines conjointement sur les 4 suites. Voir la documentation d’evaluation LIBERO.

Modele	Framework	VLM de base	Lien
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

Taches RoboCasa GR1 Tabletop avec 24 taches de Pick-and-Place. Voir la documentation d’evaluation RoboCasa.

Modele	Framework	VLM de base	Lien
Qwen3-VL-GR00T-Robocasa-gr1	QwenGR00T	Qwen3-VL-4B	HF
Qwen3-VL-OFT-Robocasa	QwenOFT	Qwen3-VL-4B	HF

RoboTwin

Benchmark de manipulation bi-bras RoboTwin 2.0 avec 50 taches. Voir la documentation d’evaluation RoboTwin.

Modele	Framework	VLM de base	Lien
Qwen3-VL-OFT-Robotwin2-All	QwenOFT	Qwen3-VL-4B	HF
Qwen3-VL-OFT-Robotwin2	QwenOFT	Qwen3-VL-4B	HF

BEHAVIOR-1K

Benchmark de taches menageres BEHAVIOR-1K utilisant le robot humanoide R1Pro. Voir la documentation d’evaluation BEHAVIOR.

Modele	Description	Lien
BEHAVIOR-QwenDual-taskall	Entraine conjointement sur les 50 taches	HF
BEHAVIOR-QwenDual-task1	Entrainement sur une seule tache	HF
BEHAVIOR-QwenDual-task6-40k	Entrainement conjoint sur 6 taches	HF
BEHAVIOR-rgp-seg	Experience avec observation par segmentation	HF

---

Datasets

Datasets d’entrainement

Dataset	Description	Lien
LLaVA-OneVision-COCO	Dataset image-texte pour le co-entrainement VLM (sous-ensemble ShareGPT4V-COCO)	HF
RoboTwin-Clean	Demonstrations propres RoboTwin 2.0 (50 par tache)	HF
RoboTwin-Randomized	Demonstrations randomisees RoboTwin 2.0 (500 par tache)	HF
RoboTwin-Randomized-targz	Idem, format tar.gz compresse (pour telechargement en masse)	HF

Donnees BEHAVIOR

Dataset	Description	Lien
BEHAVIOR-1K	Configurations de simulation du benchmark BEHAVIOR-1K	HF
BEHAVIOR-1K-datasets	Datasets d’entrainement BEHAVIOR-1K	HF
BEHAVIOR-1K-datasets-assets	Assets de scenes et objets BEHAVIOR-1K	HF
BEHAVIOR-1K-VISUALIZATION-DEMO	Demos de visualisation BEHAVIOR-1K	HF
behavior-1k-task0	Echantillon de donnees d’entrainement pour une seule tache	HF

Astuce

En plus des datasets propres a StarVLA ci-dessus, les datasets tiers couramment utilises pour l’entrainement incluent :

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

---

Comment utiliser un checkpoint

Telechargez un checkpoint et lancez le serveur de politique :

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

# Demarrer le serveur de politique
python deployment/model_server/server_policy.py \
    # steps_XXXXX est le nombre d'etapes d'entrainement -- remplacez par le nom de fichier reel de votre telechargement
    # par ex. steps_50000_pytorch_model.pt ; executez `ls` pour voir le nom exact du fichier
    --ckpt_path ./results/Checkpoints/Qwen3VL-GR00T-Bridge-RT-1/checkpoints/steps_XXXXX_pytorch_model.pt \
    --port 5694 \
    --use_bf16

Suivez ensuite le guide d’evaluation pour le benchmark que vous souhaitez tester (par exemple SimplerEnv, LIBERO, RoboCasa, RoboTwin, BEHAVIOR).