EasyWAM-Hidden-Wan22-LoRA-128 检查点细节全览:7 维动作、8 维状态与 224px 双相机训练配置解析

【免费下载链接】EasyWAM-Hidden-Wan22-LoRA-128项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Hidden-Wan22-LoRA-128点击查看免费下载本文带你完整解析EasyWAM-Hidden-Wan22-LoRA-128检查点。它是 OpenMOSS 基于 EasyWAM 代码库训练的一个世界-动作模型(World-Action Model)权重文件,以 Wan2.2-TI2V-5B 为骨干,在 LIBERO 机器人操作数据集上用rank-128 LoRA轻量训练而来。下文将逐项拆解它的7 维动作、8 维状态与224px 双相机训练配置,并给出下载与评测方法。快速了解:EasyWAM-Hidden 是什么架构 ⚙️EasyWAM-Hidden 的核心思路可以一句话概括:用一个独立的Action DiT(动作生成模块)去借用 Wan2.2 Video DiT 视频模型在推理过程中产生的中间特征,从而低成本地获得动作预测能力。与 Unified 方案直接修改整个模型不同,Hidden 方案只新增一个轻量动作分支,主干视频模型基本保持原样;这种条件化于中间特征的设计,让它在 LoRA 微调下依然能拿到很高的 LIBERO 成功率(详见后文结果表)。架构与骨干信息可在 README.md 的开头段落中找到,frontmatter 中还标注了base_model: Wan-AI/Wan2.2-TI2V-5B与world-action-model、imitation-learning等标签(README.md)。检查点核心配置一览 README.md 的 Checkpoint Details 一节列出了全部关键参数:配置项取值说明架构EasyWAM-HiddenAction DiT 条件化于 Video DiT 中间特征骨干网络Wan2.2-TI2V-5B文图生视频基础模型训练方式LoRA,r128,alpha128轻量低秩微调数据集LIBERO,双相机 224 px两台相机、图像统一缩放到 224 像素训练步数20,000 steps—动作维度7 维机器人动作空间状态维度8 维机器人状态输入文件格式.pt(EasyWAM PyTorch 检查点)仓库中的 easywam_hidden_wan22_lora_128.pt仓库内的 easywam_hidden_wan22_lora_128.pt 通过 Git LFS 管理,真实文件大小约2.5 GiB(2,712,395,738 字节,LFS 指针中记录了 sha256 校验值),LFS 规则定义见 .gitattributes。7 维动作与 8 维状态分别代表什么?这两个数字定义了模型输出什么和感知什么,在 LIBERO 这类机械臂平台上有着直观的物理含义:7 维动作(Action dimension: 7)输出端每次预测 7 个控制量,通常对应:6 自由度末端位姿:x/y/z 平移(3 维) 姿态角(3 维),描述机械臂末端在空间中的位置与朝向;1 维夹爪开合:控制夹爪抓取或释放物体的程度。这也正是 LIBERO 基准中 Franka 类机械臂的标准动作约定:前 6 维负责把手送到哪里,第 7 维负责抓不抓。8 维状态(State dimension: 8)输入端给模型 8 个当前状态量,常见约定是7 个关节角 1 维夹爪状态。状态维度与动作维度错开 1 维,是因为关节空间(7 个电机)与末端笛卡尔空间(6 位姿 夹爪)的表示方式不同——模型学会在内部完成这两套坐标系的相互转换。 理解要点:动作维度决定控制接口,状态维度决定观测接口,两者共同约束了训练数据与推理代码必须保持维度一致。224px 双相机训练配置详解 配置中的two cameras at 224 px包含两层含义:双相机视角:训练数据来自两台相机(通常是全局俯视视角 腕部近景视角),为模型同时提供宏观场景布局和精细抓取细节,这也是视觉操作模型的常见组合;224 px 分辨率:所有输入图像统一缩放/裁剪到 224 像素。224 是一个经典输入尺寸,既能保留足够的操作细节,又显著降低显存与推理开销。对使用者的实际影响是:评测时相机的摆放位置、画面朝向、背景都会进入模型输入,LIBERO-Plus 结果(下文)中的 Camera、Background 等扰动项正是对这类视觉一致性的检验。LoRA rank 128 轻量训练如何保持性能?本检查点使用LoRA(rank128,alpha128)对骨干做低秩微调:r128表示低秩分解的秩,取值越大容量越强,128 属于较大秩,在省参数与保性能之间偏向性能一侧;alpha128与 r 相同,缩放系数为 1,训练学到的低秩增量会原样生效;只训练 LoRA 权重,参数量远小于全参微调,这也是该文件只有约 2.5 GiB 的原因。从 README.md 的结果表看,LoRA 版 EasyWAM-Hidden 平均成功率93.9%,与全参版(98.6%)相比,在 Object 子集上甚至更高(99.4%),仅 Long 长时序任务(86.8%)与 Spatial 有一定差距,是三者中 LoRA 路线里最均衡的方案。LIBERO 与 LIBERO-Plus 评测结果 LIBERO 标准协议成功率(%)模型SpatialObjectGoalLong平均EasyWAM-Hidden(全参)99.4100.097.097.898.6EasyWAM-MoT(LoRA r128)96.898.894.490.495.1 EasyWAM-Hidden(LoRA r128)96.899.492.686.893.9LIBERO-Plus 扰动协议成功率(%)BackgroundCameraLanguageLayoutLightNoiseRobot平均56.849.295.381.090.458.277.472.4在扰动评测中,全参 EasyWAM-Hidden 平均 72.4%,仍是三者中最高:语言指令与光照扰动下表现最好(95.3 / 90.4),相机视角与背景扰动是最薄弱的环节——这也呼应了上文双相机 224px 配置对视觉一致性的高度敏感。检查点下载与评测快速上手 第一步:下载检查点hf download OpenMOSS-Team/EasyWAM-Hidden-Wan22-LoRA-128 \ easywam_hidden_wan22_lora_128.pt \ --local-dir ./checkpoints第二步:运行 LIBERO 评测按照 EasyWAM 代码库的 LIBERO 指南准备好 Wan2.2、LIBERO 环境与配套的dataset_stats.json后执行:python experiments/libero/run_libero_manager.py \ tasklibero_easywam_hidden_wan22_lora \ ckpt./checkpoints/easywam_hidden_wan22_lora_128.ptEasyWAM 会根据任务配置自动创建匹配的 LoRA 模块,并在加载该检查点时完成合并,无需手动对齐权重结构(README.md)。文件结构与许可证 文件说明README.md项目说明:架构、结果、下载与评测指南easywam_hidden_wan22_lora_128.pt本检查点(Git LFS 管理,约 2.5 GiB).gitattributesLFS 追踪规则(*.pt等大文件经 LFS 存储)许可证方面:检查点遵循cc-by-nc-4.0(非商业使用),EasyWAM 代码本身为 MIT License;使用时还须遵守基础模型 Wan2.2-TI2V-5B 及其训练数据的相应条款(README.md, README.md)。小结:EasyWAM-Hidden-Wan22-LoRA-128 用一个约 2.5 GiB 的.pt文件,打包了Wan2.2-TI2V-5B 骨干 Hidden 架构 LoRA r128 增量的完整配置,以 7 维动作、8 维状态、224px 双相机为标准接口,在 LIBERO 上取得了 93.9% 的 LoRA 路线最佳平均成功率。如果你的目标是低成本的机器人操作模型微调,这份检查点与其配置是很好的参考起点。赞分享【免费下载链接】EasyWAM-Hidden-Wan22-LoRA-128项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Hidden-Wan22-LoRA-128点击查看免费下载相关推荐EasyWAM-MoT-Wan22-LoRA-128技术参数全解析20000步训练、7维动作与8维状态背后的细节EasyWAM MoT Wan22 LoRA 128技术参数全解析20000步训练、7维动作与8维状态背后的细节 EasyWAM MoT Wan22 LoRA从零读懂EasyWAM-Hidden-Wan22 LoRA检查点Rank 128、alpha 128与_lora任务配方的关键细节从零读懂EasyWAM Hidden Wan22 LoRA检查点Rank 128、alpha 128与_lora任务配方的关键细节 EasyWAM Hidde人工智能大模型具身智能机器人EasyWAM-Hidden-Wan22 归一化统计文件完整详解8维状态与7维动作的 stepwise 统计如何使用EasyWAM Hidden Wan22 归一化统计文件完整详解8维状态与7维动作的 stepwise 统计如何使用 本文带你完整看懂 EasyWAM Hid人工智能大模型具身智能机器人上一篇Win-PS2EXEPowerShell转EXE工具完整使用指南下一篇VRC手势管理器完整使用指南快速预览和编辑VRChat角色动画创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考