VLA ギャラリー / モデル一覧 / Flow·Diffusion VLA
X-VLA
Tsinghua AIR, Shanghai AI Lab, Peking University · 2025-10
VLAFlow·Diffusion VLA0.9Bflow matching
エンボディメント別のsoft prompt(全パラメータの0.04%)で7プラットフォームの異質性を吸収する。
論文
X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action ModelarXiv 2510.10274
概要
- 分類
- Flow·Diffusion VLA
- タイプ
- VLA
- 発表
- 2025-10
- 機関
- Tsinghua AIR, Shanghai AI Lab, Peking University
- 重み公開
- あり
- パラメータ
- 0.9B(X-VLA-0.9B)
構造
- バックボーンLLM
- なし (Florence-2エンコーダのみ)
- ビジョンエンコーダ
- Florence-Largeエンコーダ
- アクションヘッド
- flow matching Transformer (24ブロック) + soft prompt (flow matching)
- チャンク
- anchor 30個 (4秒)
- 制御周期
- 非公開
- 構造の原文要約
- Florence-Large VLエンコーダ(encoder-only) + エンボディメント別の学習可能なsoft prompt + 24ブロック・hidden 1024のflow matching Transformer; EE姿勢アクション = 4秒軌跡のanchor point 30個; 推論denoising 10ステップ(READMEの例)
学習
- 事前学習アクセラレータ
- A100×64
- 事前学習期間
- 約4日
- 事前学習ステップ・バッチ
- 200K iter、globalバッチ1024、bf16、lr 1e-4、wd 0.01
- GPU・TPU時間
- 6,144 (換算(約) · A100-時間 (64枚 × 約4日))
- ファインチューニング
- ベンチの大半はバッチ 128・60K ステップ、Fractal 256・50K、Soft-Fold 256・400K(ハードウェア・時間は非公開); PEFT LoRA 9MでLIBERO 93%・Simpler-WidowX 54%
- データ種類
- 実ロボットのテレオペレーション
- データ規模
- 290Kエピソード(DROID・RoboMIND・AgiBot)、7プラットフォーム; Soft-Fold 1,200エピソード・2Mサンプル・収集24時間
- 主要データセット
- DROID, RoboMIND, AgiBot World(48.8%)
- タスク・評価
- Simpler Google Robot VM 80.4・VA 75.7(論文)/83.5・76.4(README)、WidowX 95.8; LIBERO 98.2/98.6/97.8/97.6、平均98.1; CALVIN ABC→D 4.43; RoboTwin-2.0 Easy 70.0・Hard 39.0; NAVSIM PDMS 87.3; Soft-Fold布折り2時間100%成功(README)
- ロボット
- WidowX、AgileX、AIRBOT実機; クロスエンボディメント7プラットフォーム・5種のアーム(+NAVSIM走行)
推論
- 推論デバイス・速度
- 論文は非公開; LeRobot移植版のデフォルト chunk 32・denoising 10(二次情報)
- 推論メモリ
- 非公開
- 重み bf16(計算)
- 1.8 GB
- 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 · ロボット実験は手先姿勢のみ(ベースなし); NAVSIM自動運転の閉ループ評価は別(ロボットのベースではない)
備考
- 主な特徴
- エンボディメント別のsoft prompt(全パラメータの0.04%)で7プラットフォームの異質性を吸収する。LoRAでパラメータの1%(9M)だけを調整してもLIBERO 93%を達成し、AgiBot World Challenge @ IROS 2025で1位となった。
- 備考
- Google Robotのスコアは論文80.4/75.7 vs README 83.5/76.4。LIBERO-Longは平均98.1と整合する97.6を採用。ICLR 2026採択(README)。App. Kにベースライン再学習の計算量(A100×4 約60 h・150,000ステップ、π0 LoRA A800×4 約7 h・30,000ステップ)がある。
- 検証
- 確認