RoboJev：用于检测机器人任务是否成功的开放式视觉语言模型
RoboJev-27B 是一个开放权重的视觉语言模型，可根据任务指令、机器人操作尝试中的 10 个视频帧，以及可选的辅助摄像头画面，判断机器人是否完成任务。该模型使用 52,598 条任务片段记录训练，在同一 SO-101 机器人上的 268 条留出测试片段中取得 95.2% 的平衡准确率和 0.993 的 AUROC。在来自未见过的实验室和机器人的片段上，AUROC 为 0.890；在明确标注的社区数据上，准确率为 93.3%。使用单张 H100 时，每个片段的推理时间中位数为 0.26 秒。发布内容包括推理代码，以及 20,628 条预测结果，以支持透明且可复现的评测。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。