Biblioteca Python que executa LLMs grandes camada por camada, permitindo inferência com modelos da classe 70B em uma única GPU de 4 GB, sem quantização.
39,5 mil4 milJupyter NotebookApache-2.0Atualizado ontem
Physical-Intelligence/openpi
Modelos open source de visão-linguagem-ação (VLA) para robótica da Physical Intelligence, com checkpoints pré-treinados e exemplos de fine-tuning.
- Estrelas
- 14,311
- Forks
- 2,571
- Issues abertas
- 363
- Último commit
- há 2 meses
O que é?
openpi é um repositório de modelos e pacotes open source para robótica, publicado pela equipe da Physical Intelligence. Ele oferece três famílias de modelos VLA: π₀, um modelo baseado em flow; π₀-FAST, um modelo autorregressivo baseado no tokenizer de ações FAST; e π₀.₅, uma versão aprimorada do π₀, com melhor generalização em cenários abertos. Há checkpoints base pré-treinados com mais de 10 mil horas de dados de robôs, além de checkpoints ajustados para plataformas como DROID e ALOHA.
O repositório abrange inferência e fine-tuning. É possível executar um checkpoint com algumas linhas de Python, disponibilizar uma policy via websocket para inferência remota ou fazer fine-tuning com dados próprios após convertê-los para o formato de dataset LeRobot. JAX é a implementação original, e o repositório também inclui uma implementação em PyTorch de π₀ e π₀.₅. Alguns recursos, como π₀-FAST e treinamento com LoRA, ainda não têm suporte no PyTorch.
Os requisitos de hardware são informados por modalidade: a inferência exige mais de 8 GB de memória de GPU, o fine-tuning com LoRA exige mais de 22,5 GB e o fine-tuning completo exige mais de 70 GB. O projeto é testado apenas no Ubuntu 22.04.
Recursos principais
- 01Três famílias de modelos VLA: π₀, π₀-FAST e π₀.₅
- 02Checkpoints base pré-treinados com mais de 10 mil horas de dados de robôs
- 03Checkpoints ajustados para as plataformas DROID e ALOHA
- 04Disponibilização remota de policies via websocket
- 05Implementações em JAX e PyTorch de π₀ e π₀.₅
Casos de uso
- Executar policies de robôs pré-treinadas em hardware DROID ou ALOHA
- Fazer fine-tuning de um modelo VLA base com seu próprio dataset de robótica
- Delegar a inferência da policy a um servidor remoto com GPU
Início rápido
- 1
Clone o repositório com os submódulos
git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git - 2
Instale o uv e, em seguida, configure o ambiente Python
GIT_LFS_SKIP_SMUDGE=1 uv sync - 3
Instale o pacote openpi em modo editável
GIT_LFS_SKIP_SMUDGE=1 uv pip install -e . - 4
Execute a inferência com um checkpoint pré-treinado usando o exemplo em Python do README (requer uma GPU NVIDIA)
Antes de usar
- É necessária uma GPU NVIDIA; a inferência requer mais de 8 GB de memória.
- Os testes oficiais foram feitos apenas no Ubuntu 22.04; outros sistemas operacionais não são compatíveis.
- Os modelos π₀ foram desenvolvidos para os robôs dos próprios autores e podem não funcionar na sua plataforma.
Tópicos
Perguntas frequentes
- O que é openpi?
- Modelos open source de visão-linguagem-ação (VLA) para robótica da Physical Intelligence, com checkpoints pré-treinados e exemplos de fine-tuning. openpi é um repositório de modelos e pacotes open source para robótica, publicado pela equipe da Physical Intelligence. Ele oferece três famílias de modelos VLA: π₀, um modelo baseado em flow; π₀-FAST, um modelo autorregressivo baseado no tokenizer de ações FAST; e π₀.₅, uma versão aprimorada do π₀, com melhor generalização em cenários abertos. Há checkpoints base pré-treinados com mais de 10 mil horas de dados de robôs, além de checkpoints ajustados para plataformas como DROID e ALOHA.
- openpi é gratuito? Qual é a licença?
- openpi é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- openpi ainda é mantido?
- Atualizado nos últimos 6 meses. O último commit de openpi foi em 24 de ago. de 2026.
- Para que posso usar openpi?
- Executar policies de robôs pré-treinadas em hardware DROID ou ALOHA Fazer fine-tuning de um modelo VLA base com seu próprio dataset de robótica Delegar a inferência da policy a um servidor remoto com GPU
- Como instalar openpi?
- Clone o repositório com os submódulos: git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git Instale o uv e, em seguida, configure o ambiente Python: GIT_LFS_SKIP_SMUDGE=1 uv sync Instale o pacote openpi em modo editável: GIT_LFS_SKIP_SMUDGE=1 uv pip install -e . Execute a inferência com um checkpoint pré-treinado usando o exemplo em Python do README (requer uma GPU NVIDIA)
- Onde consigo openpi?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/Physical-Intelligence/openpi
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Implementações em PyTorch de algoritmos de aprendizado por reforço, projetadas como uma base confiável e consistente para pesquisa e aplicações.
13,9 mil2,2 milPythonMITAtualizado há 7 dias
Framework gratuito e open source para fine-tuning e pós-treinamento de LLMs, configurado por arquivos YAML.
12,6 mil1,6 milPythonApache-2.0Atualizado há 4 horas
Suite completa para ajustar modelos de difusão de imagem, vídeo e áudio em GPUs de consumo, pela interface web ou CLI.
12,4 mil1,6 milPythonMITAtualizado há 22 horas
Ferramenta CLI para ajustar e fazer pós-treinamento de LLMs com um único arquivo YAML, incluindo opções para GPUs de consumo com pouca VRAM.
9,4 mil1,5 milPythonApache-2.0Atualizado ontem
Scripts de treinamento, geração e utilitários para Stable Diffusion e outros modelos de geração de imagens, incluindo LoRA e fine-tuning.
7,2 mil1,2 milPythonApache-2.0Atualizado anteontem