مقدمه
SmolVLA یک مدل چشم‌انداز-زبان-عمل (Vision-Language-Action) است که برای روباتیک طراحی و روی سخت‌افزار مصرف‌کننده قابل اجرا می‌باشد.
معماری و طراحی
این مدل بر پایه یک Transformer ۳ لایه‌ای (Flow Matching Transformer) ساخته شده و با کاهش توکن‌های بصری و حذف لایه‌های بی‌فاید، سرعت درون‌ریز را به حداکثر رسانده است.
نحوه استفاده و آموزش
فایل‌های نصب در requirements.txt قابل دسترسی در GitHub است. برای فاین‌تیون، کافی است داده‌های مۆشور را در قالب «مجموعه‌ی آموزش» بارگذاری کنید.
- کاهش پارامترها به ۴۵۰ میلیون.
- پشتیبانی از زبان‌های متعدد (انگلیسی، روسی، فارسی).
- عملیاتی که قابلیت ردپای حركات در زمان واقعی را دارند.
نتیجه‌گیری
SmolVLA معیاری جدید برای روباتیک هوش مصنوعی در دسترس جامعه‌تان است و امکان توسعه اپلیکیشن‌های پیچیده روی دستگاه‌های خانگی را فراهم می‌آورد.
پرسش‌های پرتکرار
SmolVLA به چه دنباله‌ای برای روباتیک مدرن طراحی شده است؟
این مدل با توجه به نیازهای پردازش در زمان واقعی و مصرف کم انرژی برای روبات‌های خانگی و صنعتی طراحی شده است.
آیا SmolVLA می‌تواند بر روی گوشی‌های هوشمند اجرا شود؟
بله، حاوی ۴۵۰ میلیون پارامتر است و می‌تواند روی سخت‌افزار گرافیکی مدرن و پردازنده‌های موبایل، بهینه‌سازی شده، در زمان واقعی اجرا شود.
