RDT-1B

Vélvirkni / VLAEkki tiltækt
eftir OtherAuðkenni módels: rdt-1b

Tsinghua's 1B diffusion-transformer bimanual manipulation policy. Predicts next 64 actions per inference.

Staða
Ekki tiltækt
Inntak → úttak
Texti + Mynd → Vélvirk aðgerðir
Þróunaraðili
Other
Uppfært
23. september 2026

RDT-1B er ekki tiltækt eins og er

Þú getur enn lesið upplýsingarnar á þessari síðu. Veldu einn af tiltækum valkostum hér að neðan til að keyra sambærilegt módel strax.

01

Leiksvæði

RDT-1B

Rannsóknarmódel

Ekki fáanlegt sem stendur

RDT-1B er vélrænisflokks módel (vision-language-action) og er ekki hægt að keyra það í gegnum railwail API.

02

Um RDT-1B

StuttlegaFrá og með 23. september 2026

RDT-1B er módel frá Other í flokknum Vélvirkni / VLA. RDT-1B er ekki tiltækt á Railwail eins og er.

Bakgrunnur

Um Tsinghua University (TSAIL / IIIS)

Stofnað 1911 · Beijing, China

Robotics Diffusion Transformer (RDT) is a generalist bimanual manipulation policy developed at Tsinghua University's TSAIL / Institute for Interdisciplinary Information Sciences (IIIS), home of Jun Zhu's diffusion-modelling group. RDT-1B, introduced in October 2024, is one of the first publicly released billion-scale diffusion-based Vision-Language-Action models, specifically designed for two-arm robots such as Aloha, Mobile Aloha and a custom bimanual platform used by the authors. The project is positioned as a Chinese academic counterpart to π-0 and OpenVLA, with open weights released on Hugging Face under a permissive licence and the explicit aim of enabling fully reproducible bimanual VLA research.

Heimsækja Tsinghua University (TSAIL / IIIS)

Arkitektúr

Diffusion Transformer Vision-Language-Action policy for bimanual manipulation

RDT-1B is a 1-billion-parameter Diffusion Transformer (DiT) trained as a Vision-Language-Action policy. Inputs are multi-view RGB observations (left + right + overhead), proprioception for both arms and any gripper / mobile-base degrees of freedom, plus a natural-language instruction encoded by a text encoder. The conditioning tokens are fed through a transformer trunk, while a diffusion head denoises continuous action chunks for both arms in a unified action space, allowing dual-arm coordinated motion. Pretraining is done in two stages: a large multi-robot pretraining phase on >1M episodes drawn from public datasets including Open-X-Embodiment and curated bimanual corpora, followed by fine-tuning on the authors' own 6,000-episode bimanual dataset spanning ~300 tasks. RDT-1B reports strong results on dexterous bimanual tasks such as folding T-shirts, pouring, and tool use.

Breytur
1B

Geta

  • 1B-parameter Diffusion Transformer VLA
  • Designed for bimanual manipulation (Aloha-class robots)
  • Trained on >1M cross-embodiment episodes + 6k bimanual demos
  • Continuous action chunks for both arms in a unified space
  • Diffusion head produces smooth coordinated motion
  • Open weights on Hugging Face (permissive licence)
  • Strong results on folding, pouring and tool use
  • Reproducible training and evaluation code
  • Best for: bimanual manipulation research, two-arm fine-tuning.

Þjálfun og leyfi

Pretraining on >1 million robot episodes from Open-X-Embodiment and other public datasets, followed by fine-tuning on a curated bimanual dataset of ~6,000 episodes covering ~300 tasks collected with Aloha-class hardware.

Leyfi: Open weights released on Hugging Face under a permissive (CC-BY-NC-style) licence; primarily intended for research use.

Öryggispróf: Academic research artifact; no formal red-teaming or RSP. Safety is the responsibility of downstream deployers (Aloha hardware already includes torque limits and e-stop).

Þekkt takmörk

  • Primarily targets bimanual Aloha-class hardware
  • Requires diffusion sampling at inference (multiple steps)
  • Limited language reasoning compared to LLM-backed VLAs
  • Generalisation to single-arm or mobile platforms needs adapters
  • Mostly indoor-lab evaluation
  • Smaller pretraining text corpus than RT-2-X / OpenVLA
03

Verðlagning

Ekki tiltækt sem stendur. Engin verð fyrir þetta módel eins og er, svo það er ekki hægt að keyra það.

04

API

Kallaðu RDT-1B með Railwail API-lyklinum þínum. Notaðu þessa módel-auðkenningu í beiðninni:

Ekki tiltækt í gegnum API

Róbótika-módel keyra á róbótavélbúnaði, ekki í gegnum railwail API.

05

Forskriftir

Módel-auðkenni
rdt-1b
Þróunaraðili
Other
Inntak
Texti, Mynd
Úttak
Vélvirk aðgerðir
Stærð módels
1B
Leyfi
Open weights released on Hugging Face under a permissive (CC-BY-NC-style) licence; primarily intended for research use.
Vörulistafærsla uppfærð
23. september 2026

Merki

  • tsinghua
  • vla
  • robotics
  • bimanual
  • research-only
  • open-weights
  • diffusion
06

Notkunartilvik

Það sem það er notað fyrir

  • Bimanual manipulation research
  • Aloha / Mobile Aloha policy fine-tuning
  • Diffusion-policy ablations and benchmarks
  • Open-source baseline for two-arm VLAs
  • Coordinated dual-arm task learning
  • Academic studies of large diffusion policies
07

Algengar spurningar

Hvað er RDT-1B?

RDT-1B er módel frá Other í flokknum Vélvirkni / VLA. Það er skráð á Railwail en er ekki hægt að keyra það sem stendur.

Hvað kostar RDT-1B á Railwail?

RDT-1B er ekki hægt að keyra á Railwail sem stendur, svo engar núverandi verðir eru til. Fáanlegir valkostir með verðum eru skráðir lengra niður á þessari síðu.

Hversu hratt er RDT-1B?

Það eru ekki nóg mældar keyrslur af RDT-1B á Railwail ennþá til að tilgreina keyrslutíma. Það fer eftir inntakinu, stillingum og álagi hjá veitandanum.

Hvenær ætti ég að nota RDT-1B?

RDT-1B tilheyrir flokknum Vélvirkni / VLA. Flokksíðan sýnir hin módelin af þessu tagi með verðum þeirra.

Öll módel: Vélvirkni / VLA

Getur RDT-1B unnið úr myndum?

Já. RDT-1B tekur myndir sem inntok auk texta.

Get ég notað RDT-1B núna?

Ekki tiltækt sem stendur. Síðan helst á netinu; fáanlegir valkostir úr sama flokki eru skráðir lengra niður.

Öll módel í gegnum eina API

Einn API-lykil fyrir öll módel á Railwail. Notkun er rukkuð frá fyrirframgreiddum inneign, 1 inneign = 0,01 USD.