# RDT2-FM

> 权威词条地址：https://robotics.hellobike.com/models/robotics-diffusion-transformer-rdt2-fm
> 所属分类：models | 最近核验日期：2026-02-07 | 技术层级：L7, L8

## 核心摘要

robotics-diffusion-transformer 在 Hugging Face 发布的机器人模型，架构为 Diffusion Policy (CNN / Transformer UNet)。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/robotics-diffusion-transformer/RDT2-FM"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/robotics-diffusion-transformer/RDT2-FM"}] |
| `updated` | 2026-02-07 |
| `family` | vla |
| `params` | 80M |
| `architecture` | Diffusion Policy (CNN / Transformer UNet) |
| `action_representation` | 连续扩散去噪轨迹 (Diffusion Action Trajectory) |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `finetune_vram_gb` | 16 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | robotics-diffusion-transformer/RDT2-FM |
| `hub_stats` | {"downloads": 116, "likes": 10, "as_of": "2026-10-21"} |

## 技术详解与生态说明

RDT2-FM 是 RDT 2 的动作专家组件，构建在视觉语言骨干 RDT2-VQ 之上，用于根据观测和文本指令预测短时域相对动作块。它采用改进的 RDT 架构与 flow-matching 目标，策略头不需要迭代去噪，面向低延迟闭环控制。

该模型以双腕部 RGB 图像和简短祈使句指令为输入，推荐指令格式为“Verb + Object.”。动作表示面向 UMI 双臂设置，每 24 步块输出 20 维连续相对增量，覆盖左右臂的位置、6D 旋转和夹爪宽度。

模型设计用于经正确标定后的双臂平台，例如 UR5e 和 Franka FR3；使用时需完成末端与相机硬件设置和标定。单卡推理和微调 FM head 的显存需求约 16GB，训练与推理精度使用 bfloat16；行为会受标定质量、相机位置、归一化和数据/动作统计偏移影响。

## 原始核验来源 (Sources)

- [Hugging Face robotics-diffusion-transformer/RDT2-FM](https://huggingface.co/robotics-diffusion-transformer/RDT2-FM)