AIbase

视觉语言动作模型
Jarvisvla Qwen2 VL 7B
MIT
专为《我的世界》设计的视觉-语言-动作模型，支持基于人类语言指令执行游戏内数千种技能
图像生成文本
Transformers
英语
J
CraftJarvis
163
8
Spatialvla 4b 224 Sft Fractal
MIT
SpatialVLA是一个视觉-语言-动作模型，通过在fractal数据集上微调得到，主要用于机器人控制任务。
文本生成图像
Transformers
英语
S
IPEC-COMMUNITY
375
0
Spatialvla 4b 224 Sft Bridge
MIT
该模型是基于SpatialVLA模型在bridge数据集上微调得到的视觉-语言-动作模型，专为Simpler-env基准测试打造。
文本生成图像
Transformers
英语
S
IPEC-COMMUNITY
1,066
0
Cogact Small
MIT
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。
多模态融合
Transformers
英语
C
CogACT
405
4
Cogact Large
MIT
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。
多模态融合
Transformers
英语
C
CogACT
122
3
Cogact Base
MIT
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。
多模态融合
Transformers
英语
C
CogACT
6,589
12