EasyWAM-MoT-IDM-Cosmos25评测协议完全指南：多GPU分布式跑通4套LIBERO基准
人工智能具身智能机器人【免费下载链接】EasyWAM-MoT-IDM-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-IDM-Cosmos25点击查看免费下载本文是EasyWAM-MoT-IDM-Cosmos25 评测协议完全指南你将用 EasyWAM 代码库 Cosmos-Predict2.5-2B 底座通过一条run_libero_manager.py命令在单卡或多 GPU 分布式环境下跑通 LIBERO 的 4 套基准Spatial / Object / Goal / LIBERO-10并复现 99.3% 的平均任务成功率。全程只需下载 2 个文件。 仓库里有什么2 个文件跑通整套评测这个仓库是发布型检查点仓库只包含 3 个文件文件作用libero_mot_idm_cosmos25.ptLIBERO 全参数检查点EasyWAM PyTorch 格式.ptlibero_dataset_stats.json状态/动作的归一化统计文件推理时用于反归一化README.md结果表、下载与评测命令模型架构要点EasyWAM-MoT-IDM 在 joint dual-DiT 设计基础上额外增加了一条teacher-forced 条件视频分支用于动作预测IDM逆动力学模型。检查点的状态 token 放置方式为sequence所有结果均基于该协议得出复现时务必保持一致。 先看成绩4 套 LIBERO 基准成功率一览以下是 EasyWAM LIBERO 评测协议下的全参数Full-Parameter结果 为本仓库发布的架构模型SpatialObjectGoalLIBERO-10平均EasyWAM-Unified97.899.497.093.096.8EasyWAM-MoT98.098.498.495.697.6EasyWAM-MoT-Joint98.699.898.496.098.2 EasyWAM-MoT-IDM99.499.499.898.499.3EasyWAM-Hidden97.298.896.095.096.8在 LIBERO-Plus 鲁棒性测试背景 / 相机 / 语言 / 布局 / 光照 / 噪声 / 机器人扰动 7 个维度中EasyWAM-MoT-IDM 平均得分78.4在机器人一致性Robot维度更是拿到全场最高的 81.9说明该架构对环境变化有很强的泛化能力。⬇️ 第一步一键下载检查点与统计文件只需一条hf download命令把两个文件拉到本地./checkpoints目录hf download OpenMOSS-Team/EasyWAM-MoT-IDM-Cosmos25 \ libero_mot_idm_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 提示libero_dataset_stats.json 不是可选文件——推理时EVALUATION.dataset_stats_path参数必须指向它模型输出的动作会用它做反归一化。️ 第二步评测环境三要素评测需要在EasyWAM 代码库内完成本仓库只发布权重。按顺序准备 3 样东西安装 EasyWAM按其官方安装说明克隆并安装代码库与环境依赖配置 Cosmos-Predict2.5-2B 底座依赖遵循 EasyWAM 文档中的 Cosmos25 backbone 指南完成安装搭建 LIBERO 模拟器遵循 EasyWAM 文档中的 LIBERO 评测指南完成环境配置。三步完成后你的机器就具备了运行完整评测协议的全部条件。 第三步一条命令跑通 4 套 LIBERO 基准在 EasyWAM 代码库根目录下执行# 全参数检查点 python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_idm_cosmos25 \ ckpt./checkpoints/libero_mot_idm_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json关键参数说明tasklibero_easywam_mot_idm_cosmos25评测任务配置名对应本仓库发布的 MoT-IDM 架构ckpt指向你下载的.pt检查点EVALUATION.dataset_stats_path指向归一化统计文件缺了它模型动作无法正确解码。默认协议会依次评测全部 4 套 LIBERO 基准Spatial、Object、Goal、LIBERO-10每个任务 50 次试验与上文结果表口径完全一致。⚡ 多 GPU 分布式加速MULTIRUN.num_gpus单卡串行跑 4 套基准耗时较长只需追加一个参数把评测任务分布到多张 GPU 上python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_idm_cosmos25 \ ckpt./checkpoints/libero_mot_idm_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus4把gpu-count换成你实际的显卡数量如 2、4、8即可评测任务会自动切分到各卡并行执行是缩短评测等待时间最有效的手段。 归一化统计文件速读state 与 action 两大块打开 libero_dataset_stats.json你会发现它由state与action两大块组成每块都提供了 4 种口径的统计量统计量含义global_min/global_max全数据集范围用于 min-max 归一化global_q01/global_q991% / 99% 分位数对离群值更稳健global_mean/global_std均值与标准差用于 z-score 归一化stepwise_*按时间步逐帧记录的对应统计action 为 32 帧序列state 维度为 8 维含末端位姿与夹爪状态action 维度为 7 维位姿增量 夹爪开合这正是 LIBERO 机器人配置的标准维度。✅ 复现检查清单 许可说明已按 Cosmos25 backbone 指南装好 Cosmos-Predict2.5-2B 依赖已按 LIBERO 评测指南搭好模拟器两个文件均下载到./checkpoints/确认state_position: sequence默认即该值多卡环境记得加MULTIRUN.num_gpusgpu-count许可提醒EasyWAM 代码采用 MIT 协议本仓库发布的检查点采用CC BY-NC 4.0许可且继续受其底座模型与训练数据的条款约束——请仅用于非商业研究场景。引用本工作时可使用misc{easywam2026, title {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models}, author {EasyWAM-Team}, year {2026}, url {https://github.com/OpenMOSS/EasyWAM} }总结本仓库 1 个检查点 1 个统计文件配合 EasyWAM 代码库即可完成评测评测协议固定为state_position: sequence、每任务 50 次试验、覆盖 4 套 LIBERO 基准多 GPU 场景只需一个MULTIRUN.num_gpus参数即可分布式加速复现目标EasyWAM-MoT-IDM 平均99.3%任务成功率LIBERO-Plus 鲁棒性平均78.4。赞分享人工智能具身智能机器人【免费下载链接】EasyWAM-MoT-IDM-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-IDM-Cosmos25点击查看免费下载相关推荐EasyWAM-MoT-Joint-Cosmos25 多GPU分布式评测加速4套件×50轮LIBERO评测如何省时EasyWAM MoT Joint Cosmos25 多GPU分布式评测加速4套件×50轮LIBERO评测如何省时 本文介绍 EasyWAM MoT Join人工智能大模型机器人具身智能预训练EasyWAM-MoT-IDM-Wan22 LIBERO评测完全教程3个参数跑通4套件×50次试验EasyWAM MoT IDM Wan22 LIBERO评测完全教程3个参数跑通4套件×50次试验 本文带你完整跑通 EasyWAM MoT IDM W人工智能具身智能机器人EasyWAM-MoT-Cosmos25评测实战LIBERO四套基准50轮测试全流程附多GPU并行加速技巧EasyWAM MoT Cosmos25评测实战LIBERO四套基准50轮测试全流程附多GPU并行加速技巧 EasyWAM MoT Cosmos25 是基于上一篇如何永久保存微信聊天记录这款开源工具让数据真正属于你下一篇探索工业通讯新境界NModbus4带你深入Modbus TCP的世界创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考