VLA ギャラリー / モデル一覧 / 産業界モデル

GR-Dexter

ByteDance Seed · 2025-12

VLA産業界モデル4Bdiffusion

21-DoFの人型ハンド2つを備えた固定双腕(計56-DoF)を4B VLAで制御する。

論文

GR-Dexter Technical ReportarXiv 2512.24210

概要

分類

産業界モデル

タイプ

VLA

発表

2025-12

機関

ByteDance Seed

重み公開

未確認

パラメータ

4B

構造

バックボーンLLM

Qwen2.5 · Qwen2.5-VL (サイズ非公開)

ビジョンエンコーダ

Qwen2.5-VL ViT

アクションヘッド

action diffusion transformer (88次元) (diffusion)

チャンク

非公開

制御周期

非公開

構造の原文要約

MoT: 事前学習済みQwen2.5-VL + action diffusion transformer; タイムステップあたり88次元の行動(腕関節、6D EE pose、片手あたり16 active DoF、指先3D位置)

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

非公開

GPU・TPU時間

非公開

ファインチューニング

非公開

データ種類

実ロボットのテレオペレーション + Web視覚言語 + 他ロボット(cross-embodiment)データ + 人の動画(3D手・指追跡を含む)

データ規模

テレオペレーションの化粧品整理約20 h、pick-and-place約20 h; egocentric動画800 h以上; Fourier ActionNet約140 h; OpenLoong Baihu 100k+ traj; RoboMIND 107k traj(479 tasks)

主要データセット

Fourier ActionNet、OpenLoong Baihu、RoboMIND、GR-3 Web VLデータ、自社テレオペレーション

タスク・評価

長期の化粧品整理 in-domain 0.97 / OOD 0.89; pick-and-place seen 0.93、unseen物体 0.85、unseen指示 0.83

ロボット

Franka Research 3 ×2 + ByteDexter V2 21-DoFハンド(システム56-DoF、固定双腕)

推論

推論デバイス・速度

非公開

推論メモリ

非公開

重み bf16(計算)

8 GB

実行場所

非公開

強化学習・ベース

強化学習

不使用 · 次トークン予測 + flow matching の共同教師あり学習

強化学習の根拠

https://arxiv.org/html/2512.24210

ベース制御

固定 · ベース制御なし (Franka固定双腕 + ハンド)

備考

主な特徴

21-DoFの人型ハンド2つを備えた固定双腕(計56-DoF)を4B VLAで制御する。課題あたり約20 hのテレオペレーションデータを、他ロボットのデータとハンドトラッキング付きegocentric動画800 h以上で補う。

備考

データ時間は出典別にのみ明示され合計の記述がないため数値欄は空欄。arXiv v1 2025-12-30、v2 2026-01-09(HTMLヘッダーの2026-07-27表記は提出履歴と不一致)。公開リポジトリは見つからず(検証で確認不可)。

検証

確認