【免费下载链接】EasyWAM-MoT-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Cosmos25点击查看免费下载EasyWAM-MoT-Cosmos25 是一个基于 Cosmos-Predict2.5-2B 基座的世界动作模型World-Action Model检查点仓库仓库内只有 3 个文件.pt格式模型权重、libero_dataset_stats.json数据集归一化统计以及说明文件 README.md。本文将逐项解析每个文件的内容、字段含义与正确用法帮你快速完成检查点下载、权重加载与 state_position 配置。 仓库文件总览文件作用说明libero_mot_cosmos25.pt全参数模型权重EasyWAM PyTorch 检查点.ptLIBERO 基准全参数版本libero_dataset_stats.json数据集归一化统计推理/评测时用于反归一化 state 与 actionREADME.md使用文档含下载、评测命令与性能结果EasyWAM-MoT 采用MoTMixture of Transformers架构Video DiT 与 Action DiT 两组专家通过混合自注意力交互推理时只预测动作、不生成未来视频因此推理开销更低。该检查点在 LIBERO-10 上取得95.6%成功率四套件平均97.6%。️ .pt 权重文件libero_mot_cosmos25.pt 是什么检查点关键信息格式EasyWAM PyTorch checkpoint.pt由 EasyWAM 代码库训练产出基座模型Cosmos-Predict2.5-2B2B 参数类型全参数Full-Parameter检查点非 LoRA/增量权重对应数据集统计libero_dataset_stats.jsonstate-token 放置方式sequence详见下文许可证CC BY-NC 4.0仅限非商业用途且受基座模型与训练数据条款约束⚠️ 为什么本地 .pt 文件只有 135 字节如果你直接 clone 仓库会发现libero_mot_cosmos25.pt只有 135 字节——这是一个Git LFS 指针文件内部记录了指向真实文件的哈希oid sha256:53299e5d...与大小5,553,433,939 字节约 5.55 GB。也就是说真实权重并不在 Git 对象里需要通过hf download拉取hf download OpenMOSS-Team/EasyWAM-MoT-Cosmos25 \ libero_mot_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 小贴士判断.pt是否真实下载成功看文件体积即可——应为约 5.55 GB而不是几百字节的文本指针。检查点能做什么这个.pt是开箱即用的完整策略给定当前观测视频帧 8 维状态直接输出未来动作序列无需额外微调即可在 LIBERO 四个套件Spatial / Object / Goal / LIBERO-10上评测。 libero_dataset_stats.json 归一化统计逐项详解模型训练时会对输入做归一化、对输出做反归一化。libero_dataset_stats.json 就是这套缩放参数的完整记录评测时必须通过EVALUATION.dataset_stats_path传入否则动作会反归一化错误、机器人行为完全失真。文件整体结构{ state: { default: { ... 10 组统计量8 维 ... } }, action: { default: { ... 10 组统计量7 维 × 32 步 ... } }, num_episodes: 1712, num_transition: 277713 }两大块分别是机器人状态state8 维与动作action7 维的统计。每块都提供 10 组量覆盖全局与逐步两个粒度字段含义global_min/global_max整个数据集上的最小/最大值stepwise_min/stepwise_max按时间步step对齐后逐步的最小/最大值global_q01/global_q99全局 1% 与 99% 分位数抗离群点stepwise_q01/stepwise_q99逐步的 1% 与 99% 分位数global_mean/global_std全局均值/标准差z-score 归一化用stepwise_mean/stepwise_std逐步均值/标准差state 段8 维机器人状态state.default下所有统计量均为8 维向量见 libero_dataset_stats.json摘录如下维度全局最小值全局最大值全局均值全局标准差0-0.48280.2103-0.05240.11001-0.33090.39040.04030.150020.00811.47280.77680.388531.00283.72492.99690.32334-3.63133.5619-0.13650.76085-1.84271.3863-0.11050.30586-0.00550.04230.02630.01467-0.04200.0013-0.02650.0145可以观察到前 3 维数值较小、集中在 0 附近典型的位置/姿态偏移第 3 维均值接近 3.0可能是带偏置的关节角度第 4 维跨度过大-3.63 ~ 3.56符合旋转类量第 6、7 维标准差仅 0.0146 / 0.0145变化极小的量如夹爪宽度读数。 注意 state 的stepwise_*数组只有1 行——因为每个时间步只有 1 个状态向量而 action 的stepwise_*有32 行见下。action 段7 维动作 × 32 步动作块action.default见 libero_dataset_stats.json描述的是一次预测输出的 32 步动作块每步 7 维。摘录全局统计维度最小值最大值均值标准差特征解读0-0.93750.93750.03310.3194平移分量1-0.93750.93750.09740.3542平移分量2-0.93750.9375-0.07470.4778平移分量3-0.24210.3557-0.00030.0388小幅度旋转分量4-0.37500.37500.00730.0658小幅度旋转分量5-0.36430.3750-0.00590.0779小幅度旋转分量60.01.00.50770.5016min0、max1、均值≈0.5、std≈0.5呈典型二值分布——对应夹爪开合stepwise_*中 32 行的差异很小如第 0 维stepwise_mean从 0.0751 缓慢降到 0.0038说明动作幅度随预测步长推进逐渐衰减符合越远的动作越保守的物理直觉。数据规模字段文件末尾两个标量libero_dataset_stats.jsonnum_episodes: 1712— 统计基于 1712 条演示轨迹num_transition: 277713— 共 277,713 个时间步平均每集约 162 步这两个数字可用于校验你手头的数据集与检查点训练数据是否一致。 state_position: sequence 配置详解README 中多次强调所有结果均在state_position: sequence协议下取得。该配置决定 8 维机器人状态 token 在模型输入序列中的放置方式sequence本检查点采用状态 token 按时间顺序内联排入 token 序列与视频/语言 token 一起参与自注意力。这是该.pt权重训练时使用的布局加载时必须保持一致否则状态信息会被错误编码。其他放置方式如单独前缀位与本检查点不兼容不要混用。一句话记忆看到这份权重就配state_position: sequence没有例外。 最快加载检查点跑评测的方法按上文命令将两个文件下载到./checkpoints/安装 EasyWAM 并配好 Cosmos-Predict2.5-2B 依赖与 LIBERO 仿真环境执行评测每个任务 50 trials覆盖四个套件# Full-parameter checkpoint python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_cosmos25 \ ckpt./checkpoints/libero_mot_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json多卡并行时追加MULTIRUN.num_gpusgpu-count即可。注意ckpt与EVALUATION.dataset_stats_path必须指向同一批次训练产物——用 A 数据集的权重配 B 数据集的统计是加载成功但成功率暴跌的头号原因。 检查点性能速览在 EasyWAM LIBERO 评测协议下README.md套件成功率 (%)Spatial98.0Object98.4Goal98.4LIBERO-1095.6平均97.6同基座对比中本 MoT 架构平均 97.6%优于 Unified96.8%与 Hidden96.8%变体。❓ 常见问题Q1本地 .pt 只有 135 字节坏了吗没有。它是 Git LFS 指针真实文件约 5.55 GB需通过hf download或 LFS 拉取。Q2只下载 .pt 不下载统计 json 可以吗不行。EVALUATION.dataset_stats_path是评测的必要输入缺失时无法正确反归一化动作。Q3能用于商业用途吗检查点为CC BY-NC 4.0仅限非商业研究用途EasyWAM 代码本身为 MIT License。✅ 小结libero_mot_cosmos25.pt约 5.55 GB 的全参数权重Cosmos-Predict2.5-2B 基座 MoT 双 DiT 架构推理时直接输出动作libero_dataset_stats.json8 维 state 与 7×32 维 action 的 min/max/q01/q99/mean/std 全套归一化参数基于 1712 条演示、277,713 个时间步统计state_position: sequence是本检查点的固定配套配置三者需配套使用权重 统计文件 sequence 配置一个都不能少赞分享【免费下载链接】EasyWAM-MoT-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Cosmos25点击查看免费下载相关推荐ToonCrafter 如何生成卡通动画从两张静帧上手的完整指南ToonCrafter 如何生成卡通动画从两张静帧上手的完整指南 如果你手里有两张同一角色的卡通静帧想让角色在它们之间“动”起来ToonCrafter 就PaddleDetection 关键点检测配置文件完全指南KeyPoint yaml 逐项详解与源码级剖析PaddleDetection 关键点检测配置文件完全指南KeyPoint yaml 逐项详解与源码级剖析 本篇技术指南以 PaddleDetection 官人工智能计算机视觉深度学习模型库Proxmark3 闪存用法实战用满 256KB 并验真 RDV4Proxmark3 闪存用法实战用满 256KB 并验真 RDV4 Iceman Fork Proxmark3 的 RDV4 版本板载一颗 256KB SPI人工智能具身智能机器人上一篇从 3.1MB 到 1.3MBUsage 如何用静态解析表压缩 CLI 二进制体积下一篇VK视频下载器终极指南轻松保存VKontakte高清视频的5个技巧创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/18 3:42:11 · 阅读 1.2k EasyWAM-MoT-Cosmos25检查点文件完全解析：.pt权重、数据集归一化统计与state_position配置逐项详解
【免费下载链接】EasyWAM-MoT-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Cosmos25点击查看免费下载EasyWAM-MoT-Cosmos25 是一个基于 Cosmos-Predict2.5-2B 基座的世界动作模型World-Action Model检查点仓库仓库内只有 3 个文件.pt格式模型权重、libero_dataset_stats.json数据集归一化统计以及说明文件 README.md。本文将逐项解析每个文件的内容、字段含义与正确用法帮你快速完成检查点下载、权重加载与 state_position 配置。 仓库文件总览文件作用说明libero_mot_cosmos25.pt全参数模型权重EasyWAM PyTorch 检查点.ptLIBERO 基准全参数版本libero_dataset_stats.json数据集归一化统计推理/评测时用于反归一化 state 与 actionREADME.md使用文档含下载、评测命令与性能结果EasyWAM-MoT 采用MoTMixture of Transformers架构Video DiT 与 Action DiT 两组专家通过混合自注意力交互推理时只预测动作、不生成未来视频因此推理开销更低。该检查点在 LIBERO-10 上取得95.6%成功率四套件平均97.6%。️ .pt 权重文件libero_mot_cosmos25.pt 是什么检查点关键信息格式EasyWAM PyTorch checkpoint.pt由 EasyWAM 代码库训练产出基座模型Cosmos-Predict2.5-2B2B 参数类型全参数Full-Parameter检查点非 LoRA/增量权重对应数据集统计libero_dataset_stats.jsonstate-token 放置方式sequence详见下文许可证CC BY-NC 4.0仅限非商业用途且受基座模型与训练数据条款约束⚠️ 为什么本地 .pt 文件只有 135 字节如果你直接 clone 仓库会发现libero_mot_cosmos25.pt只有 135 字节——这是一个Git LFS 指针文件内部记录了指向真实文件的哈希oid sha256:53299e5d...与大小5,553,433,939 字节约 5.55 GB。也就是说真实权重并不在 Git 对象里需要通过hf download拉取hf download OpenMOSS-Team/EasyWAM-MoT-Cosmos25 \ libero_mot_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 小贴士判断.pt是否真实下载成功看文件体积即可——应为约 5.55 GB而不是几百字节的文本指针。检查点能做什么这个.pt是开箱即用的完整策略给定当前观测视频帧 8 维状态直接输出未来动作序列无需额外微调即可在 LIBERO 四个套件Spatial / Object / Goal / LIBERO-10上评测。 libero_dataset_stats.json 归一化统计逐项详解模型训练时会对输入做归一化、对输出做反归一化。libero_dataset_stats.json 就是这套缩放参数的完整记录评测时必须通过EVALUATION.dataset_stats_path传入否则动作会反归一化错误、机器人行为完全失真。文件整体结构{ state: { default: { ... 10 组统计量8 维 ... } }, action: { default: { ... 10 组统计量7 维 × 32 步 ... } }, num_episodes: 1712, num_transition: 277713 }两大块分别是机器人状态state8 维与动作action7 维的统计。每块都提供 10 组量覆盖全局与逐步两个粒度字段含义global_min/global_max整个数据集上的最小/最大值stepwise_min/stepwise_max按时间步step对齐后逐步的最小/最大值global_q01/global_q99全局 1% 与 99% 分位数抗离群点stepwise_q01/stepwise_q99逐步的 1% 与 99% 分位数global_mean/global_std全局均值/标准差z-score 归一化用stepwise_mean/stepwise_std逐步均值/标准差state 段8 维机器人状态state.default下所有统计量均为8 维向量见 libero_dataset_stats.json摘录如下维度全局最小值全局最大值全局均值全局标准差0-0.48280.2103-0.05240.11001-0.33090.39040.04030.150020.00811.47280.77680.388531.00283.72492.99690.32334-3.63133.5619-0.13650.76085-1.84271.3863-0.11050.30586-0.00550.04230.02630.01467-0.04200.0013-0.02650.0145可以观察到前 3 维数值较小、集中在 0 附近典型的位置/姿态偏移第 3 维均值接近 3.0可能是带偏置的关节角度第 4 维跨度过大-3.63 ~ 3.56符合旋转类量第 6、7 维标准差仅 0.0146 / 0.0145变化极小的量如夹爪宽度读数。 注意 state 的stepwise_*数组只有1 行——因为每个时间步只有 1 个状态向量而 action 的stepwise_*有32 行见下。action 段7 维动作 × 32 步动作块action.default见 libero_dataset_stats.json描述的是一次预测输出的 32 步动作块每步 7 维。摘录全局统计维度最小值最大值均值标准差特征解读0-0.93750.93750.03310.3194平移分量1-0.93750.93750.09740.3542平移分量2-0.93750.9375-0.07470.4778平移分量3-0.24210.3557-0.00030.0388小幅度旋转分量4-0.37500.37500.00730.0658小幅度旋转分量5-0.36430.3750-0.00590.0779小幅度旋转分量60.01.00.50770.5016min0、max1、均值≈0.5、std≈0.5呈典型二值分布——对应夹爪开合stepwise_*中 32 行的差异很小如第 0 维stepwise_mean从 0.0751 缓慢降到 0.0038说明动作幅度随预测步长推进逐渐衰减符合越远的动作越保守的物理直觉。数据规模字段文件末尾两个标量libero_dataset_stats.jsonnum_episodes: 1712— 统计基于 1712 条演示轨迹num_transition: 277713— 共 277,713 个时间步平均每集约 162 步这两个数字可用于校验你手头的数据集与检查点训练数据是否一致。 state_position: sequence 配置详解README 中多次强调所有结果均在state_position: sequence协议下取得。该配置决定 8 维机器人状态 token 在模型输入序列中的放置方式sequence本检查点采用状态 token 按时间顺序内联排入 token 序列与视频/语言 token 一起参与自注意力。这是该.pt权重训练时使用的布局加载时必须保持一致否则状态信息会被错误编码。其他放置方式如单独前缀位与本检查点不兼容不要混用。一句话记忆看到这份权重就配state_position: sequence没有例外。 最快加载检查点跑评测的方法按上文命令将两个文件下载到./checkpoints/安装 EasyWAM 并配好 Cosmos-Predict2.5-2B 依赖与 LIBERO 仿真环境执行评测每个任务 50 trials覆盖四个套件# Full-parameter checkpoint python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_cosmos25 \ ckpt./checkpoints/libero_mot_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json多卡并行时追加MULTIRUN.num_gpusgpu-count即可。注意ckpt与EVALUATION.dataset_stats_path必须指向同一批次训练产物——用 A 数据集的权重配 B 数据集的统计是加载成功但成功率暴跌的头号原因。 检查点性能速览在 EasyWAM LIBERO 评测协议下README.md套件成功率 (%)Spatial98.0Object98.4Goal98.4LIBERO-1095.6平均97.6同基座对比中本 MoT 架构平均 97.6%优于 Unified96.8%与 Hidden96.8%变体。❓ 常见问题Q1本地 .pt 只有 135 字节坏了吗没有。它是 Git LFS 指针真实文件约 5.55 GB需通过hf download或 LFS 拉取。Q2只下载 .pt 不下载统计 json 可以吗不行。EVALUATION.dataset_stats_path是评测的必要输入缺失时无法正确反归一化动作。Q3能用于商业用途吗检查点为CC BY-NC 4.0仅限非商业研究用途EasyWAM 代码本身为 MIT License。✅ 小结libero_mot_cosmos25.pt约 5.55 GB 的全参数权重Cosmos-Predict2.5-2B 基座 MoT 双 DiT 架构推理时直接输出动作libero_dataset_stats.json8 维 state 与 7×32 维 action 的 min/max/q01/q99/mean/std 全套归一化参数基于 1712 条演示、277,713 个时间步统计state_position: sequence是本检查点的固定配套配置三者需配套使用权重 统计文件 sequence 配置一个都不能少赞分享【免费下载链接】EasyWAM-MoT-Cosmos25项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Cosmos25点击查看免费下载相关推荐ToonCrafter 如何生成卡通动画从两张静帧上手的完整指南ToonCrafter 如何生成卡通动画从两张静帧上手的完整指南 如果你手里有两张同一角色的卡通静帧想让角色在它们之间“动”起来ToonCrafter 就PaddleDetection 关键点检测配置文件完全指南KeyPoint yaml 逐项详解与源码级剖析PaddleDetection 关键点检测配置文件完全指南KeyPoint yaml 逐项详解与源码级剖析 本篇技术指南以 PaddleDetection 官人工智能计算机视觉深度学习模型库Proxmark3 闪存用法实战用满 256KB 并验真 RDV4Proxmark3 闪存用法实战用满 256KB 并验真 RDV4 Iceman Fork Proxmark3 的 RDV4 版本板载一颗 256KB SPI人工智能具身智能机器人上一篇从 3.1MB 到 1.3MBUsage 如何用静态解析表压缩 CLI 二进制体积下一篇VK视频下载器终极指南轻松保存VKontakte高清视频的5个技巧创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考