VLA ギャラリー / モデル一覧 / Flow·Diffusion VLA
Evo-1
MINT-SJTU (GitHub組織名) · 2025-11†
VLAFlow·Diffusion VLA0.77Bflow matching
ロボットデータの事前学習なしに0.77BでMeta-World 80.6%、RoboTwin 37.8%を達成し、SmolVLA・π0より高いと報告する。
論文
Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic AlignmentarXiv 2511.04555
概要
- 分類
- Flow·Diffusion VLA
- タイプ
- VLA
- 発表
- 2025-11†
- 機関
- MINT-SJTU (GitHub組織名)
- 重み公開
- あり
- パラメータ
- 0.77B
構造
- バックボーンLLM
- Qwen2.5-0.5B · InternVL3-1B構成
- ビジョンエンコーダ
- InternViT-300M
- アクションヘッド
- flow matching DiT (flow matching)
- チャンク
- 50ステップ
- 制御周期
- 非公開
- 構造の原文要約
- InternVL3-1B(InternViT-300M + Qwen2.5-0.5B) + flow matching Diffusion Transformerアクションヘッド; チャンク H=50
学習
- 事前学習アクセラレータ
- 該当なし(ロボットデータ事前学習なし)
- 事前学習期間
- 該当なし
- 事前学習ステップ・バッチ
- 該当なし
- GPU・TPU時間
- 非公開
- ファインチューニング
- A100×8; Stage 1 10kステップ・バッチ16(VLM凍結)、Stage 2 65kステップ・バッチ16(全体)、lr 1×10⁻⁵; 総時間は非公開
- データ種類
- シミュレーション + 実ロボットのテレオペレーション(タスク別)
- データ規模
- Meta-Worldタスクあたり50デモ×50タスク、RoboTwinタスクあたり50軌跡、実機タスクあたり100テレオペレーションデモ
- 主要データセット
- Meta-World、LIBERO、RoboTwin、独自xArm6データ
- タスク・評価
- Meta-World 80.6%(SmolVLA 68.2%)、LIBERO 94.8%、RoboTwin 37.8%(π0 30.9%)、xArm6実機4タスク78%
- ロボット
- xArm6(単腕)実機; RoboTwin双腕シミュレーション
推論
- 推論デバイス・速度
- RTX 4090d 2.3 GB、16.4 Hz; Jetson Orin配備の案内(2026-04、README)
- 推論メモリ
- 2.3 GB (RTX 4090d)
- 重み bf16(計算)
- 1.5 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 (xArm6腕・RoboTwin双腕シミュレーション)
備考
- 主な特徴
- ロボットデータの事前学習なしに0.77BでMeta-World 80.6%、RoboTwin 37.8%を達成し、SmolVLA・π0より高いと報告する。RTX 4090dで2.3 GB、16.4 Hzである。
- 備考
- 検証ノートは発表月のみ試みて確認不可、残りの数値は未検証。発表月はarXiv日付行が確認不可†(README初出2025-11-06)。LeRobotネイティブ方策一覧にEVO1として収録。メモリ削減はevo1-flashブランチ。
- 検証
- 未検証