VLA ギャラリー / モデル一覧 / 産業界モデル

RynnVLA-001

Alibaba DAMO Academy · 2025-08

VLA産業界モデル7B潜在アクション

ego-centric人間操作動画12M本で動画生成を事前学習した後、軌跡認識動画モデリングとVLAファインチューニングへと続く3段階学習である。

論文

RynnVLA-001: Using Human Demonstrations to Improve Robot ManipulationarXiv 2509.15212

概要

分類

産業界モデル

タイプ

VLA

発表

2025-08

機関

Alibaba DAMO Academy

重み公開

あり

パラメータ

7B(公開モデル名 RynnVLA-001-7B-Base・7B-Trajectory; 論文の総量は非公開)

構造

バックボーンLLM

Chameleon 7B (動画拡張)

ビジョンエンコーダ

Chameleon画像トークナイザ

アクションヘッド

ActionVAE潜在行動 (潜在アクション)

チャンク

非公開

制御周期

非公開

構造の原文要約

Chameleon 7B画像生成モデルを動画に拡張(READMEの初期重み「Chemeleon-7B」); ActionVAEで行動シーケンスを潜在埋め込みに圧縮

学習

事前学習アクセラレータ

非公開(ActionVAEのみ8 GPUs、機種表記なし)

事前学習期間

非公開

事前学習ステップ・バッチ

ActionVAE 300,000 iterations, batch 16×8(GPUs)

GPU・TPU時間

非公開

ファインチューニング

非公開

データ種類

人の動画 + ロボット動画 + モーションキャプチャ(EgoDex上半身関節軌跡) + 実ロボットデモ(SO-100)

データ規模

ego-centric人間操作動画12M + ロボット操作動画244K; ファインチューニング248・249・301 demos

主要データセット

独自のego-centric動画、EgoDex(Apple Vision Pro)、SO-100の独自デモ

タスク・評価

SO-100の3タスク(ブロックpick-and-place、イチゴ、ペン差し)平均90.6% vs π0 70.4% vs GR00T N1.5 55.6%(同じデータでファインチューニング)

ロボット

LeRobot SO-100 単腕(3台)

推論

推論デバイス・速度

非公開

推論メモリ

非公開

重み bf16(計算)

14 GB

実行場所

非公開

強化学習・ベース

強化学習

不使用 · 動画生成の事前学習 + 模倣学習

ベース制御

固定 · ベース制御なし (SO-100単腕)

備考

主な特徴

ego-centric人間操作動画12M本で動画生成を事前学習した後、軌跡認識動画モデリングとVLAファインチューニングへと続く3段階学習である。SO-100の3タスク平均90.6%でπ0(70.4%)とGR00T N1.5(55.6%)を上回った。

備考

重み・コードは2025-08-08公開(Apache 2.0)、技術レポート2025-09-18。パラメータ(B)は公開モデル名基準。

検証

確認