VLA ギャラリー / モデル一覧 / Flow·Diffusion VLA

EO-1

EO-1 (EmbodiedOneVision)

EO-Robotics†(README連絡先 pjlab.org.cn、ミラー SHAILAB-IPEC) · 2025-08

VLAFlow·Diffusion VLA3Bハイブリッド

ビジョン・テキスト・アクションを混ぜたinterleavedシーケンスで、推論とアクションを1つのデコーダで共に学習する。

論文

EmbodiedOneVision: Interleaved Vision-Text-Action Pretraining for General Robot ControlarXiv 2508.21112

概要

分類

Flow·Diffusion VLA

タイプ

VLA

発表

2025-08

機関

EO-Robotics†(README連絡先 pjlab.org.cn、ミラー SHAILAB-IPEC)

重み公開

あり

パラメータ

3B

構造

バックボーンLLM

Qwen2.5-3B · Qwen2.5-VLで初期化

ビジョンエンコーダ

Qwen2.5-VL ViT

アクションヘッド

自己回帰トークン + flow matching (10ステップ) (ハイブリッド)

チャンク

16ステップ

制御周期

非公開

構造の原文要約

Qwen2.5-VLで初期化した単一のdecoder-only Transformer; 離散自己回帰デコーディング + 連続flow matchingデノイジング、interleavedなビジョン-テキスト-アクションシーケンス; チャンク16、denoising 10回

学習

事前学習アクセラレータ

「128+ GPUs」(README、機種非公開; flash-attn 3はH100/H800推奨)

事前学習期間

非公開

事前学習ステップ・バッチ

5エポック、可変長パッキング(平均16,384)、バッチ1、lr 5×10⁻⁵(LM・projector)/1×10⁻⁵(ビジョン)

GPU・TPU時間

非公開

ファインチューニング

LIBERO: GPU×8、デバイスあたり64(実効512)、50エポック; 実機はタスクあたり150デモ・25エポック(サブタスク:全体 9:1); 時間・機種は非公開

データ種類

実ロボットのテレオペレーション + Web視覚言語 + interleavedの身体化データ

データ規模

計135Bトークン: ロボット1.2Mエピソード(127.3Bトークン)、Web 5.7Mサンプル(7.1B)、EO-Data1.5M(1.0B)

主要データセット

AgiBotWorld, OXE, RoboMIND, SO100-Community, IPEC-Franka; LLaVA-1.5, LLaVA-Video-178K, PixMo-Points, RefCOCO, RoboVQA; EO-Data1.5M

タスク・評価

LIBERO 98.2±0.3%(リポジトリ50エポック 99.7/99.8/99.2/94.8); SimplerEnv WidowX 72.7%、Google VM 76.5%・VA 63.0%; RoboVQA BLEU-4 58.5、ERQA 45.5; EO-Bench Spatial 36.4・Temporal 38.9; 実機86.0%

ロボット

Franka Panda, WidowX 250 S, AgiBot G-1, LeRobot SO100

推論

推論デバイス・速度

RTX 4090 1枚で6 GB(README 約6.5 GB); 速度は非公開

推論メモリ

6 GB (README 約6.5 GB、RTX 4090)

重み bf16(計算)

6 GB

実行場所

非公開

強化学習・ベース

強化学習

不使用 · 模倣学習(行動クローニング)のみ使用

ベース制御

固定 · ベース制御なし (AgiBot G-1を含む4プラットフォームの操作タスク)

備考

主な特徴

ビジョン・テキスト・アクションを混ぜたinterleavedシーケンスで、推論とアクションを1つのデコーダで共に学習する。135Bトークン(ロボット 1.2M エピソード)で学習しLIBERO 98.2%を達成した。

備考

論文に学習GPUの記述なし('128+ GPUs'はREADMEのみ)。機関名は論文抽出で確認不可†。arXiv v5(2026-02-25)まで改訂。

検証

確認