Repository
Forschung
LIFT3D · PKU-HMI-Lab
Richtlinie der Lift3D Foundation: Heben vorab trainierter 2D-Großmodelle für robuste 3D-Robotermanipulation
Roboterrichtlinien
Modelle / Forschung
MoLe-VLA-Pytorch · RoyZry98
Offizieller Code für MoLe-VLA: Dynamisches Layer-Skipping-Vision-Language-Action-Modell über Layer-Mixture-of-Layers für eine effiziente Robotermanipulation
Übersicht
Offizieller Code für MoLe-VLA: Dynamisches Layer-Skipping-Vision-Language-Action-Modell über Layer-Mixture-of-Layers für eine effiziente Robotermanipulation
Zweck des Herausgebers: [AAAI 2026] Offizieller Code für MoLe-VLA: Dynamisches Layer-Skipping Vision Language Action Model via Mixture-of-Layers für eine effiziente Robotermanipulation
Überprüfen Sie Beobachtungs-/Aktionsschnittstellen, Kontrollpunkte, Roboterausführungen und Anpassungsanforderungen. Durch die Repository-Codelizenzierung werden Gewichtungen oder Trainingsdaten nicht automatisch lizenziert.
Projektinformationen
- Betreuer
- RoyZry98
- Primärsprache
- Python
- Repository-Code-Lizenz
- MIT
- Modellgewichtslizenz
- Nicht aufgezeichnet
- Datensatzlizenz
- Nicht aufgezeichnet
- Hardware-Design-Lizenz
- Nicht aufgezeichnet
- Wartung
- Nicht in den zuletzt erfassten Metadaten archiviert
- Letzter beobachteter Repository-Push
- 2025-07-31
Codelizenzen decken nicht automatisch Modellgewichte, Datensätze oder Hardwaredesigns ab. Nicht erfasste Lizenzdetails bedürfen der Bestätigung durch den Herausgeber.
Dokumentationsabschnitte
- MoLe-VLA: Dynamic Layer-skipping Vision Language Action Model via Mixture-of-Layers for Efficient Robot Manipulation
- Installation
- Erste Schritte
- Quickly train model:
- Citation
Durchsuchen Sie die Kategorien dieser Ressource
Entdecken Sie verwandte Sammlungen
Vision-Sprach-Aktionsmodelle ↗Mehr drin Modelle
Repository
Forschung