Biblioteca de Python que ejecuta modelos de lenguaje grandes capa por capa para que los modelos de 70B puedan inferir en una sola GPU de 4 GB, sin cuantización.
39,5 mil4 milJupyter NotebookApache-2.0Actualizado ayer
Physical-Intelligence/openpi
Modelos VLA de robótica de código abierto de Physical Intelligence, con checkpoints preentrenados y ejemplos de fine-tuning.
- Estrellas
- 14,311
- Forks
- 2,571
- Issues abiertos
- 363
- Último commit
- hace 2 meses
¿Qué es?
openpi es un repositorio de modelos y paquetes de robótica de código abierto publicado por el equipo de Physical Intelligence. Ofrece tres familias de modelos VLA: π₀, un modelo basado en flow; π₀-FAST, un modelo autorregresivo basado en el tokenizador de acciones FAST; y π₀.₅, una versión mejorada de π₀ con una mejor capacidad de generalización en escenarios abiertos. Hay checkpoints base preentrenados con más de 10k horas de datos de robots, además de checkpoints ajustados para plataformas como DROID y ALOHA.
El repositorio cubre la inferencia y el fine-tuning. Puedes ejecutar un checkpoint con unas pocas líneas de Python, servir una política por websocket para hacer inferencia remota o ajustar el modelo con tus propios datos tras convertirlos al formato de dataset de LeRobot. JAX es la implementación original; también se incluye una implementación en PyTorch de π₀ y π₀.₅, aunque algunas funciones, como π₀-FAST y el entrenamiento con LoRA, aún no son compatibles con PyTorch.
Los requisitos de hardware se indican según el modo: la inferencia necesita más de 8 GB de memoria GPU, el fine-tuning con LoRA, más de 22.5 GB, y el fine-tuning completo, más de 70 GB. El proyecto solo se prueba en Ubuntu 22.04.
Funciones clave
- 01Tres familias de modelos VLA: π₀, π₀-FAST y π₀.₅
- 02Checkpoints base preentrenados con más de 10k horas de datos de robots
- 03Checkpoints ajustados para las plataformas DROID y ALOHA
- 04Servicio remoto de políticas por websocket
- 05Implementaciones en JAX y PyTorch de π₀ y π₀.₅
Casos de uso
- Ejecutar políticas robóticas preentrenadas en hardware DROID o ALOHA
- Ajustar un modelo VLA base con tu propio dataset de robots
- Delegar la inferencia de políticas a un servidor GPU remoto
Inicio rápido
- 1
Clona el repositorio con los submódulos
git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git - 2
Instala uv y, después, configura el entorno de Python
GIT_LFS_SKIP_SMUDGE=1 uv sync - 3
Instala el paquete openpi en modo editable
GIT_LFS_SKIP_SMUDGE=1 uv pip install -e . - 4
Ejecuta la inferencia con un checkpoint preentrenado mediante el ejemplo de Python del README (se necesita una GPU NVIDIA)
Antes de usarlo
- Se necesita una GPU NVIDIA; la inferencia requiere más de 8 GB de memoria.
- Solo se ha probado oficialmente en Ubuntu 22.04; no se admiten otros sistemas operativos.
- Los modelos π₀ se desarrollaron para los robots de los autores y puede que no funcionen en tu plataforma.
Temas
Preguntas frecuentes
- ¿Qué es openpi?
- Modelos VLA de robótica de código abierto de Physical Intelligence, con checkpoints preentrenados y ejemplos de fine-tuning. openpi es un repositorio de modelos y paquetes de robótica de código abierto publicado por el equipo de Physical Intelligence. Ofrece tres familias de modelos VLA: π₀, un modelo basado en flow; π₀-FAST, un modelo autorregresivo basado en el tokenizador de acciones FAST; y π₀.₅, una versión mejorada de π₀ con una mejor capacidad de generalización en escenarios abiertos. Hay checkpoints base preentrenados con más de 10k horas de datos de robots, además de checkpoints ajustados para plataformas como DROID y ALOHA.
- ¿openpi es gratuito? ¿Qué licencia tiene?
- openpi es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿openpi sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de openpi fue el 24 ago 2026.
- ¿Para qué puedo usar openpi?
- Ejecutar políticas robóticas preentrenadas en hardware DROID o ALOHA Ajustar un modelo VLA base con tu propio dataset de robots Delegar la inferencia de políticas a un servidor GPU remoto
- ¿Cómo se instala openpi?
- Clona el repositorio con los submódulos: git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git Instala uv y, después, configura el entorno de Python: GIT_LFS_SKIP_SMUDGE=1 uv sync Instala el paquete openpi en modo editable: GIT_LFS_SKIP_SMUDGE=1 uv pip install -e . Ejecuta la inferencia con un checkpoint preentrenado mediante el ejemplo de Python del README (se necesita una GPU NVIDIA)
- ¿Dónde consigo openpi?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Physical-Intelligence/openpi
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Implementaciones en PyTorch de algoritmos de aprendizaje por refuerzo, diseñadas como una base fiable y coherente para la investigación y las aplicaciones.
13,9 mil2,2 milPythonMITActualizado hace 7 días
Framework gratuito y de código abierto para ajustar y realizar el posentrenamiento de modelos de lenguaje grandes mediante archivos YAML.
12,6 mil1,6 milPythonApache-2.0Actualizado hace 5 horas
Suite integral para ajustar modelos de difusión de imagen, video y audio en GPU de consumo, desde una interfaz web o la CLI.
12,4 mil1,6 milPythonMITActualizado hace 23 horas
Herramienta CLI para ajustar y seguir entrenando LLM con una sola configuración YAML, con opciones para usar GPU de consumo con poca VRAM.
9,4 mil1,5 milPythonApache-2.0Actualizado ayer
Scripts de entrenamiento, generación y utilidades para Stable Diffusion y otros modelos de generación de imágenes, con soporte para LoRA y fine-tuning.
7,2 mil1,2 milPythonApache-2.0Actualizado anteayer