GalaxeaVLA模型权重清单:g05-base到g05-robotwin20五大Checkpoint下载与使用全解

原创2026-10-26 10:19:01856 阅读

GalaxeaVLA模型权重清单:g05-base到g05-robotwin20五大Checkpoint下载与使用全解

GalaxeaVLA 是 Galaxea(银河通用)开源的 VLA(Vision-Language-Action,视觉-语言-动作)模型仓库,核心是 G0.5 自回归机器人控制模型。搞 G0.5 部署或微调,最绕的一步往往是模型权重(Checkpoint)怎么选、怎么放。本文带你一次看懂 5 个官方 Checkpoint——g05-base、g05-so101、g05-droid、g05-libero、g05-robotwin20 的用途、下载命令、目录布局和使用入口,照着做即可跑通推理与微调。

GalaxeaVLA G0.5 ActionCodec动作分词器原理图:将动作块量化为VQ编码并输出part与action token序列

五大 Checkpoint 怎么选?一张表看懂

G0.5 由 Qwen3.5 2B VLM 初始化,在 14 种机器人本体的演示数据上预训练。官方按"用途"拆分成 5 个权重包,每个 G0.5 模型 Checkpoint 约 11 GB:

Checkpoint 定位 典型场景 本地权重路径
g05-base 预训练基座 R1 Lite / R1 Pro 零样本部署;微调初始化权重 checkpoints/g05-base/checkpoints/model_state_dict.pt
g05-so101 SO-100/101 专用 SO-100/101 机械臂零样本部署 checkpoints/g05-so101/checkpoints/model_state_dict.pt
g05-droid DROID 专用 DROID / Franka 平台零样本部署 checkpoints/g05-droid/checkpoints/model_state_dict.pt
g05-libero LIBERO 专用 LIBERO 仿真基准评测(98.9% 成功率) checkpoints/g05-libero/model.pt
g05-robotwin20 RoboTwin 专用 RoboTwin 2.0 仿真评测(93.3% 成功率) checkpoints/g05-robotwin20/checkpoints/model_state_dict.pt

💡 选型口诀:做微调或 Galaxea 机器人真机部署选 g05-base;跑特定平台零样本推理选对应平台包;只刷仿真榜选 g05-libero 或 g05-robotwin20。

G0.5 Token序列模板:展示用户条件段、助手生成段中Subtask/BBox/Trace推理token与action token的排布

快速下载:一条命令拉齐 G0.5 权重

环境准备

先克隆代码仓库并安装运行环境(Python >=3.10.16,<3.11,CUDA 12.8 + PyTorch 2.7.1):

git clone https://gitcode.com/gh_mirrors/ga/GalaxeaVLA
cd GalaxeaVLA
uv sync --index-strategy unsafe-best-match
source .venv/bin/activate

下载全部 Checkpoint

官方权重托管在 Hugging Face 的 OpenGalaxea/G05 模型仓库,用 huggingface-cli 一条命令下载到 checkpoints/ 目录(目录名必须保持 checkpoints,与内置配置一致):

huggingface-cli download OpenGalaxea/G05 \
    --repo-type model \
    --local-dir checkpoints

下载完成后的标准布局如下,包含全部 5 个 Checkpoint 约 55 GB:

checkpoints/
├── action_tokenizer.pt          # 共享 ActionCodec 分词器(约 484 MB)
├── qwen3_5_2b_base_processor/   # 共享 HF processor(约 22 MB)
├── g05-base/
│   ├── .hydra/config.yaml
│   ├── checkpoints/model_state_dict.pt
│   └── dataset_stats.json
├── g05-so101/   (结构同上)
├── g05-droid/   (结构同上)
├── g05-libero/
│   ├── .hydra/config.yaml
│   ├── model.pt                 # 注意:LIBERO 权重文件名不同
│   └── dataset_stats.json
└── g05-robotwin20/(结构同 g05-base)

如果只需要 RoboTwin 评测,可以只下载子集省空间:

huggingface-cli download OpenGalaxea/G05 \
    --repo-type model \
    --local-dir checkpoints \
    --include "g05-robotwin20/*" "qwen3_5_2b_base_processor/*" "action_tokenizer.pt"

Checkpoint 内部结构:这 3 个文件一个都不能少

很多人下载时只留 .pt 权重、删掉"多余文件",结果推理直接报错。每个 Checkpoint 目录里其实有 3 类关键文件:

  1. model_state_dict.pt(LIBERO 为 model.pt):模型权重本体;
  2. .hydra/config.yaml:该 Checkpoint 的完整训练配置。推理和评测入口会从中加载 model 与 tokenizer 配置,并解析出共享 processor 与 ActionCodec 路径;
  3. dataset_stats.json:动作/状态归一化统计量。推理入口会从 Checkpoint 父目录向上自动搜索该文件,删掉会导致反归一化失败。

此外还有两个"全局共享"文件,配置默认路径硬编码为 checkpoints/action_tokenizer.pt 与 configs/model/g05.yaml 中引用的 checkpoints/qwen3_5_2b_base_processor。换句话说:共享文件 + 各自的侧边文件,才构成一个可运行的 Checkpoint。

各 Checkpoint 使用指南:从启动命令到评测

g05-base:真机零样本推理 + 微调基座

g05-base 是"瑞士军刀",既能直接零样本驱动 R1 Lite / R1 Pro,也是所有 Galaxea 机器人微调的初始化权重。真机部署采用 服务端/客户端 架构,GPU 机器上启动策略服务(详见 docs/deployment/serve_policy_zh.md):

R1 Lite(单帧服务):

python scripts/serve_policy.py \
    --ckpt_path checkpoints/g05-base/checkpoints/model_state_dict.pt \
    --host 0.0.0.0 --port 8080 --device cuda \
    --action_steps 16 \
    eval_embodiment=galaxea_r1lite

R1 Pro(多帧记忆服务,走 scripts/serve_policy_mem.py):

PYTHONPATH="src:${PYTHONPATH:-}" python scripts/serve_policy_mem.py \
    --ckpt_path /path/to/r1pro/checkpoints/model_state_dict.pt \
    --host 0.0.0.0 --port 8080 --device cuda --action_steps 16 \
    eval_embodiment=galaxea_r1pro \
    model.model_weights_to_bf16=true model.use_torch_compile=true \
    model.model_arch.attn_implementation=sdpa \
    model.model_arch.discrete_action=true model.model_arch.continuous_action=false

机器人端在 experiments/r1lite 或 experiments/r1pro 中修改 config.toml 的服务地址后执行 python run.py --config config.toml 即可,协议细节见 experiments/r1lite/README.md 与 experiments/r1pro/README.md。

微调则以 g05-base 为起点,通过 scripts/run/finetune.sh 启动:

bash scripts/run/finetune.sh 8 r1pro          # 8 卡 R1 Pro 微调
bash scripts/run/finetune.sh 1 r1pro --dry-run --max_datasets 1   # 先干跑验证配置

⚠️ 全量微调显存需求 > 70 GB(A100 80GB / H20 96GB);若 Checkpoint 放在自定义路径,需更新 configs/model/g05.yaml 中的 model.pretrained_ckpt。

g05-so101:SO-100/101 机械臂部署

脚本化入口,权重路径作为参数传入:

bash experiments/so100/start_server.sh checkpoints/g05-so101/checkpoints/model_state_dict.pt

客户端侧用 LeRobot 环境启动(需先按 experiments/so100/README.md 修改相机索引):

conda env create -f experiments/so100/environment.yml && conda activate lerobot
bash experiments/so100/start_client.sh

g05-droid:DROID / Franka 平台部署

通过环境变量指定 Checkpoint 目录,配合独立的 droid-franka-client 控制机器人:

CHECKPOINT_DIR=checkpoints/g05-droid \
POLICY_PORT=8000 \
POLICY_DEVICE=cuda:0 \
bash experiments/droid/start_server.sh \
    model.model_arch.discrete_action=true model.model_arch.continuous_action=false

完整协议契约见 experiments/droid/PROTOCOL.md。

g05-libero:LIBERO 仿真评测

评测脚本会自动起批处理策略服务 + 并行客户端,跑完即停:

bash scripts/run/eval_libero.sh checkpoints/g05-libero/model.pt \
    --num_trials 50 --num_parallel 10 --save_videos

结果按 suite 写入 outputs/libero_eval_<checkpoint_name>/,含逐 suite 日志与 summary.json。

唯一特殊之处:LIBERO 的导出配置引用的是 bundle 内部侧边文件,若下载工具没有生成,需要补两条软链接:

ln -sf ../action_tokenizer.pt checkpoints/g05-libero/action_tokenizer.pt
ln -sfn ../qwen3_5_2b_base_processor checkpoints/g05-libero/hf_processor

g05-robotwin20:RoboTwin 2.0 全量任务评测

RoboTwin 评测运行在独立 .venv-robotwin 环境(避免 sapien 3.x 与主环境冲突),多卡并行评测:

.venv-robotwin/bin/python -u experiments/robotwin/run_robotwin_manager.py \
    task=robotwin \
    ckpt=checkpoints/g05-robotwin20/checkpoints/model_state_dict.pt \
    EVALUATION.robotwin_root=third_party/RoboTwin \
    MULTIRUN.num_gpus=8 MULTIRUN.max_tasks_per_gpu=1

该 Checkpoint 采用与 g05-base 相同的侧边文件布局,dataset_stats.json 会自动从父目录解析,无需手动传路径。环境与渲染准备见 experiments/robotwin/README_zh.md。

跑之前先验证:最小校验三连

下载完成后,别直接上昂贵的训练任务,先做轻量检查:

# 1. 校验配置能否正确解析
python tools/resolve_config.py r1pro --key model.model_arch
python tools/resolve_config.py r1pro --key data.embodiment_datasets.galaxea_r1pro.dataset_groups

# 2. 确认环境导入正常
python -c "import torch, g05; print(torch.__version__); print(g05.__file__)"

推理模式显存仅需 > 8 GB(RTX 3090/4090 即可),可以先用 scripts/serve_policy.py 单 embodiment 模式冒烟一下再上线真机。

常见问题(FAQ)

Q:g05-robotwin20 没在我的 Hugging Face snapshot 里,怎么办?

A:该 Checkpoint 可能单独分发。只要按标准布局手动放到 checkpoints/g05-robotwin20/(含 .hydra/config.yaml 与 dataset_stats.json)即可正常评测。

Q:微调报 OOM 怎么办?

A:确认显存满足 > 70 GB;否则在 configs/task 对应任务配置中减小 model.batch_size,或多卡分摊吞吐。

Q:权重能商用吗?

A:G0.5 代码与权重遵循 G0.5 Community License(非商业 + 有限专利授权),学术研究、教学、个人使用免费;商用需另行获取商业授权,详见 LICENSE-G0.5。

Q:提示找不到预训练模型?

A:大概率是路径与配置不一致。默认路径即本文的 checkpoints/... 布局;自定义位置时请同步修改 configs/model/g05.yaml 的 pretrained_ckpt 字段。

总结

你想做的事 选这个 Checkpoint 入口
Galaxea 机器人真机零样本部署 g05-base scripts/serve_policy.py / scripts/serve_policy_mem.py
用自己的数据微调 g05-base scripts/run/finetune.sh
SO-100/101 桌面臂部署 g05-so101 experiments/so100/start_server.sh
DROID/Franka 部署 g05-droid experiments/droid/start_server.sh
LIBERO 仿真刷榜 g05-libero scripts/run/eval_libero.sh
RoboTwin 2.0 评测 g05-robotwin20 experiments/robotwin/run_robotwin_manager.py

记住三点就不会踩坑:目录名保持 checkpoints、侧边文件(config.yaml + dataset_stats.json)一个别删、共享的 action_tokenizer.pt 与 processor 放在仓库根级。按这份清单下载、摆放、启动,G0.5 的推理与微调链路就能顺畅跑起来。

登录后查看全文
GalaxeaVLA