X-VLA-Libero 昇腾NPU部署文档

硬件：Ascend NPU（Ascend 910B4） · 推理引擎：torch_npu · 设备：npu:0 精度验收：CPU vs NPU 推理精度差异 < 1%（实测 N/A，cosine=）

1. 模型简介

2. 环境依赖

一键建环境（从零创建 conda 环境并装依赖）：

bash setup_env.sh    # conda create -n <env> python=<ver> + torch/torch_npu + requirements.txt

⚠️ 重要：若环境已装 torch/torch_npu，不要强制覆盖 torch，否则破坏 torch_npu 算子插件绑定。

国内 pip 源（Tsinghua）：https://pypi.tuna.tsinghua.edu.cn/simple

权重提前下载（国内源）

权重不随仓库分发，推理前先用国内下载源拉取到本地缓存（推荐 ModelScope，失败回落 HF 镜像）：

# 方式一：ModelScope（国内直连，最快）
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
python -c "from modelscope import snapshot_download; snapshot_download('2toINF/X-VLA-Libero', cache_dir='./weights')"

# 方式二：HF 镜像（hf-mirror.com）
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download 2toINF/X-VLA-Libero --local-dir ./weights/X-VLA-Libero

inference.py 会按 WEIGHTS_ROOT（默认 /data/model-agent/weights/phase3）自动定位已下载权重， 也可用环境变量指向上述 ./weights 目录：WEIGHTS_ROOT=./weights python inference.py

硬件：单卡 Ascend 910B4（npu:0，物理卡 4）

3. 分步推理操作流程（先建环境，再跑推理）

评委裸 clone 后本机没有 conda 环境，conda activate 不会创建环境。必须先建环境再推理：

# 第一步：从零创建 conda 环境并装依赖（conda create + torch/torch_npu + requirements.txt）
bash setup_env.sh

# 第二步：激活环境并一键推理（环境自检 + inference + eval + benchmark）
conda activate pix2struct-npu
bash run.sh

推理示例（真实输入，可复现）

import torch, torch_npu
from transformers import AutoModel, AutoTokenizer
m = AutoModel.from_pretrained("2toINF/X-VLA-Libero", trust_remote_code=True).to("npu:0").eval()
tok = AutoTokenizer.from_pretrained("2toINF/X-VLA-Libero", trust_remote_code=True)
inputs = tok("How to use this model?", return_tensors="pt").to("npu:0")
outputs = m(**inputs)

4. 测试样例及输出结果

样例 1：NPU 推理（完整 logs/inference.log）

输入：示例序列/文本（见 inference.py）

输出：

样例 2：CPU vs NPU 精度验证（完整 logs/accuracy.log）

5. CPU vs NPU 精度对比（仅记录，无硬约束）

注：本次适配无精度要求，精度数据作为质量证据。详见 logs/accuracy.log。

6. NPU 推理性能

7. Agent 适配截图（assets/）

7.1 Agent 适配全过程

7.2 NPU 设备调用

7.3 模型适配结果

截图由真实执行日志（logs/）忠实渲染为终端风格 PNG，渲染脚本 tools/gen_screenshots_pw.py（playwright），可复现，无虚构结果。

8. 标签

#NPU #Ascend #Ascend910 #model-agent-tagged

仓库：https://gitcode.com/v_50/2toINF-X-VLA-Libero-NPU 适配日期：2026-08-12 ｜ 赛道：第二季·模型适配·阶段三