InternVLA-M1

Shanghai AI Laboratory (Intern Robotics) · 2025-10

VLAFlow·Diffusion VLA約4.1Bdiffusion

VLMがまず重要物体の位置を見つける空間groundingを事前学習した後、DiTアクションエキスパートを付けるデュアルシステムである。

論文

分類: Flow·Diffusion VLA
タイプ: VLA
発表: 2025-10
機関: Shanghai AI Laboratory (Intern Robotics)
重み公開: あり
パラメータ: 約4.1B; 拡散方策86M、DINOv2 21M、状態エンコーダ0.4M、querying transformer 8.7 MB(原文の単位)

バックボーンLLM: Qwen2.5-3B · Qwen2.5-VL-3B構成
ビジョンエンコーダ: Qwen2.5-VL ViT + DINOv2 (21M)
アクションヘッド: DiT拡散エキスパート 86M (DDIM 10) (diffusion)
チャンク: 16 · 8 (LIBERO)
制御周期: 非公開
構造の原文要約: Qwen2.5-VL-3B-Instruct(System 2、空間プロンプティング) → querying transformer → DiT拡散方策アクションエキスパート(System 1、86M; DINOv2 21M・状態エンコーダ0.4M); チャンク16(SimplerEnv・実機)/8(LIBERO)、DDIM 10ステップ(README)

事前学習アクセラレータ: Stage 1は非公開; Stage 2(行動事後学習)A100×16
事前学習期間: 非公開
事前学習ステップ・バッチ: Stage 2: 50kステップ(約2.5エポック)、バッチはロボット256 + マルチモーダル64
GPU・TPU時間: 非公開
ファインチューニング: LIBERO A100×8・バッチ128・約30Kステップ・約20 h; 大規模pick-place・実機A100×16・バッチ256・20Kステップ; README: A100・RTX 4090で動作確認
データ種類: Web視覚言語(空間grounding) + シミュレーション・合成 + 実ロボットのテレオペレーション
データ規模: マルチモーダル 3M+(空間grounding 2.3M + マルチモーダル理解 0.7M); 合成 InternData-M1 244K closed-loopサンプル(物体 14K、テーブル 211、テクスチャ 1.6K、照明 87); OXE; 実機テレオペレーション 6 h + 長期タスク 22 h(タスクあたり約500デモ)
主要データセット: RefCOCO, RoboRef, A0 ManiSkill, MolmoAct, Pixmo-Points; InternData-M1; OXE(fractal_rt_1, bridge)
タスク・評価: SimplerEnv Google VM 80.7・VA 76.0、WidowX 71.7; LIBERO 95.9; 合成大規模pick-place; Franka FR3実機cluttered pick-place(未知物体・新配置で+20.6%)、長期タスク(片付け・引き出し・サンドイッチ)
ロボット: Google Robot, WidowX, Franka FR3(単腕)

主な特徴: VLMがまず重要物体の位置を見つける空間groundingを事前学習した後、DiTアクションエキスパートを付けるデュアルシステムである。合成データ244Kで未知物体の実機pick-placeを20.6%改善した。
備考: 詳細QA(約637K・879K・684K・832K)の合計は2.3Mと一致しない(3M+のまとまり全体にわたる値とみられる)。Stage 1・合成データ生成の計算量は非公開。重みはREADME '0918'で公開(年の表記なし)のため、発表月はarXiv v1(2025-10-15)基準。データ時間は実機部分のみのためnull。
検証: 確認