VLA ギャラリー / モデル一覧 / 自己回帰・潜在アクションVLA

VLA-0

NVIDIA · 2025-10

VLA自己回帰・潜在アクションVLA3B離散トークン

VLMの構造と語彙を変えずに、アクションを通常のテキスト数値として出力させる設計である。

論文

VLA-0: Building State-of-the-Art VLAs with Zero ModificationarXiv 2510.13054

概要

分類

自己回帰・潜在アクションVLA

タイプ

VLA

発表

2025-10

機関

NVIDIA

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-3B構成

ビジョンエンコーダ

Qwen2.5-VL ViT

アクションヘッド

整数テキストアクション (アクションヘッドなし) (離散トークン)

チャンク

マルチステップ + アンサンブル

制御周期

非公開

構造の原文要約

改変していないQwen2.5-VL-3B; アクションを整数テキスト(例: 0–1000)で出力、複数ステップ予測 + 時点間アンサンブル、語彙変更・アクションヘッドなし

学習

事前学習アクセラレータ

該当なし(ロボット事前学習なし)

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枚 約32 h、64 epochs、batch 192、lr 5e-6

データ種類

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

LIBEROデモ; 実機SO-100デモ100本

主要データセット

LIBERO

タスク・評価

LIBERO平均94.7%; 実機SO-100 4タスク(SmolVLA比 +12.5%p)

ロボット

SO-100、LIBEROシミュレーション

推論

推論デバイス・速度

RTX 5090デスクトップで4 Hz(README: TensorRT-LLMで6 Hz可能)

推論メモリ

非公開

重み bf16(計算)

6 GB

実行場所

ローカルPC

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 (SO-100腕・LIBERO)

備考

主な特徴

VLMの構造と語彙を変えずに、アクションを通常のテキスト数値として出力させる設計である。大規模ロボット事前学習なしでLIBERO 94.7%を報告した。

備考

ロボット学習全体がファインチューニング1段階である(A100 8枚 × 約32 h、換算(約) 256 A100時間)。ベースモデルのライセンスはQwen Research Licenseである。

検証

確認