VLA ギャラリー / モデル一覧 / 自己回帰・潜在アクションVLA

VLA-Adapter

BUPT·Westlake University·Zhejiang University·HKUST(GZ)·OpenHelix Team · 2025-09

VLA自己回帰・潜在アクションVLAQwen2.5-0.5Bバックボーン + 学習パラメータ197.2M回帰

ロボット事前学習なしに0.5BバックボーンとBridge Attention方策でLIBERO 97.3%を達成した。

論文

VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action ModelarXiv 2509.09372

概要

分類

自己回帰・潜在アクションVLA

タイプ

VLA

発表

2025-09

機関

BUPT·Westlake University·Zhejiang University·HKUST(GZ)·OpenHelix Team

重み公開

あり

パラメータ

Qwen2.5-0.5Bバックボーン + 学習パラメータ197.2M(方策97.3M); 総計は記載なし

構造

バックボーンLLM

Qwen2.5-0.5B

ビジョンエンコーダ

SigLIP + DINOv2 (Prismatic)

アクションヘッド

Bridge Attention方策 (L1回帰) (回帰)

チャンク

8ステップ

制御周期

非公開

構造の原文要約

Prismatic VLM(Qwen2.5-0.5B、MiniVLAと同じベース); Bridge Attention方策でL1回帰、チャンク H=8、アクショントークン不使用

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

論文: H100 4枚、batch 16・最大 150,000 steps(READMEのタスク別 LIBERO-Spatial 約5 h、Object 1 h未満、Goal 3 h、Long 半日、CALVIN 8 h); 32GBのコンシューマGPU 1枚で8 h(LIBERO-Object 99.2%、batch 8・LoRA 64); 最小 9.6 GB(batch 1・LoRA 64)

データ種類

シミュレーション・合成

データ規模

LIBERO・CALVINデモ(数は記載なし)

主要データセット

LIBERO, CALVIN

タスク・評価

LIBERO平均97.3%; CALVIN ABC→D 平均長4.42

ロボット

LIBERO・CALVINシミュレーション

推論

推論デバイス・速度

219.2 Hz、0.0365 s(OpenVLA-OFT 71.4 Hz); GPU記載なし

推論メモリ

非公開

重み bf16(計算)

非公開

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 (LIBERO・CALVIN腕シミュレーション)

備考

主な特徴

ロボット事前学習なしに0.5BバックボーンとBridge Attention方策でLIBERO 97.3%を達成した。推論は219.2 HzでOpenVLA-OFT(71.4 Hz)より速い。

備考

トークンベースではない回帰ヘッドVLAで、2025年の計算効率比較用の参考行である。検証で4×H100(論文)と'8 hours'(32GB民生GPU 1枚、LIBERO-Object)の帰属を解消した。

検証

確認