VLA ギャラリー / モデル一覧 / 2026年の新モデル

InternVLA-A1

Shanghai AI Lab · 2026-01

VLA2026年の新モデル1.8Bflow matching

シーン理解・視覚予測生成・アクション実行を一つのMoTで協調させる。

論文

InternVLA-A1: Unifying Understanding, Generation and Action for Robotic ManipulationarXiv 2601.02456

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-01

機関

Shanghai AI Lab

重み公開

あり

パラメータ

1.8B(2B型)/3.2B(3B型)

構造

バックボーンLLM

InternVL3 2B型 · Qwen3-VL 3B型 (2バリアント)

ビジョンエンコーダ

VLM内蔵

アクションヘッド

flow matchingアクションエキスパート + 視覚予測 (MoT) (flow matching)

チャンク

非公開

制御周期

非公開

構造の原文要約

MoT 3エキスパート: 理解(InternVL3 2B型・Qwen3-VL 3B型)、生成(Cosmos CI8×8連続VAEトークナイザ、視覚予測)、アクション(チャンクのフローマッチング)

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

700K steps、バッチ512、LR 5×10⁻⁵ 固定、bf16

GPU・TPU時間

非公開

ファインチューニング

GPU・時間は非公開; 60,000 steps、バッチ128、LR 5×10⁻⁵→5×10⁻⁶

データ種類

シミュレーション・合成(InternData-A1) + 実ロボットのテレオペレーション(AgiBot World)

データ規模

533Mフレーム以上(合成325M + AgiBot World Beta 208M); InternData-A1全体で630k軌跡・7,433時間

主要データセット

InternData-A1, AgiBot World (Beta)

タスク・評価

実世界12タスク 75.1%(3B型、π0 60.6%); 動く材料の把持 93.3%(π0 20%); RoboTwin 2.0 Easy 65.0%・Hard 25.4%

ロボット

Genie-1, ARX Lift-2, ARX AC One

推論

推論デバイス・速度

RTX 4090で約13 Hz(torch.compile、両バリアントとも)

推論メモリ

非公開

重み bf16(計算)

6.4 GB

実行場所

非公開

強化学習・ベース

強化学習

不使用 · 視覚予測 + flow matchingの教師あり学習

強化学習の根拠

https://arxiv.org/html/2601.02456v1

ベース制御

固定 · ベース移動タスクなし (双腕操作; シャーシ・リフト制御の言及なし)

備考

主な特徴

シーン理解・視覚予測生成・アクション実行を一つのMoTで協調させる。合成325Mフレームと実ロボット208Mフレームを混ぜて学習した。

備考

境界事例: arXiv v1 2026-01-05(v2 2026-02-13)だがリポジトリ作成は2025-09-18(アグリゲータ、二次情報)のため、コード・重みは2026年以前の可能性あり。合成325M行は検証の判読に出てこない。HFの更新チェックポイント(人間動画追加)はRoboTwin 2.0 Easy 89.40%・Hard 89.64%でプロトコルが異なる。学習総量がフレーム単位のためデータ時間(h)は空欄。パラメータ(B)は大きいバリアント。

検証

確認