RoboInter-VLM_llavaov_7B 是 RoboInter 项目的一组视觉语言模型检查点，用于 RoboInter Manipulation Suite。该版本基于 LLaVA-OneVision-Qwen2-7B，架构为 LLaVA-OneVision，约 7B 参数，并带有 SigLIP 视觉编码器；检查点以 safetensors 格式、bfloat16 精度存储。

模型在 RoboInter-VQA 数据集上微调，面向机器人操作中的中间表示理解与生成。训练任务包括通用 VQA，以及生成轨迹路点、夹爪框、接触点/框、物体当前与最终框等；也包括关于接触状态、抓取姿态、物体定位、轨迹选择和运动方向的多选视觉推理，以及下一步预测、动作原语识别、成功判定等高层任务规划。

加载和推理需要参考 RoboInterVLM-LLaVAOV 代码库，因为该检查点需要自定义模型类；完整训练和评测流程也指向该代码库。许可方面需参考 RoboInter、Qwen2.5-VL 和 LLaVA-OneVision 的原始许可。