RoboInter-VLM 是 RoboInter-VLM 系列的旗舰模型，基于 Qwen2.5-VL-7B-Instruct，参数规模约 7B，面向 RoboInter Manipulation Suite 中的机器人操作视觉语言任务。它在 RoboInter-VQA 数据集上微调，用于理解和生成机器人操作中的中间表示。所有检查点以 safetensors 格式、bfloat16 精度存储。

该模型联合训练于通用 VQA 以及三类 curated VQA 任务：生成轨迹路标、夹爪框、接触点/框、物体当前与最终框等；进行接触状态、抓取姿态、物体定位、轨迹选择、运动方向等多选视觉推理；以及下一步预测、动作原语识别、成功判定等高层任务规划。推理、训练和评测需参考对应的 RoboInterVLM-QwenVL 代码库，许可需参照 RoboInter、Qwen2.5-VL 和 LLaVA-OneVision 的原始许可。