VLA 갤러리 / 모델 목록
로봇 VA·VLA 모델 211개 목록
2022~2026 로봇 VA·VLA 모델 211개의 개별 사양 페이지. 백본 LLM, 액션 헤드, 학습 GPU·데이터, 추론 장치·메모리, 강화학습, 베이스 제어를 모델마다 정리했다.
참고 기준(2024 이전)모델 8개
| RT-1 | 2022-12 | 사전학습 VLM 없이 언어 지시를 FiLM으로 조건화한 35M 실로봇 정책이다. |
| RT-2 | 2023-07 | 사전학습 VLM을 로봇 데이터와 웹 VQA·캡션 데이터로 공동 파인튜닝해 행동을 텍스트 토큰으로 낸다. |
| RT-1-X | 2023-10 | RT-1 구조를 OXE 9개 embodiment 혼합 데이터로 학습한 교차 embodiment 모델이다. |
| RT-2-X | 2023-10 | RT-2를 원 VLM 데이터와 OXE 로봇 혼합을 약 1:1로 섞어 공동 파인튜닝했다. |
| ACT | 2023-04 | 행동 청크를 한 번에 회귀하고 시간 앙상블로 겹친 예측을 평균하는 저비용 양팔 모방학습 정책이다. |
| Diffusion Policy (CNN) | 2023-03 | 행동 시퀀스를 확산 디노이징으로 생성해 다봉 행동 분포를 다루는 정책이다. |
| Diffusion Policy (Transformer) | 2023-03 | CNN 변형과 같은 확산 정책을 트랜스포머 디노이저로 구현한 변형이다. |
| GR-1 | 2023-12 | 대규모 사람 영상의 미래 프레임 예측으로 사전학습한 뒤 로봇 데이터로 행동과 미래 이미지를 함께 학습한다. |
VA모델 17개
| Mobile ALOHA | 2024-01 | 저비용 전신 텔레옵 이동 양팔 시스템에서 정적 ALOHA 데이터와 공동학습해 과제당 20–50데모로 이동 조작을 학습한다. |
| ALOHA Unleashed | 2024-10 | 과제별 확산 트랜스포머를 과제당 수천 개 텔레옵 데모로 학습해 신발끈 묶기 같은 정밀 양팔 작업을 해냈다. |
| HPT | 2024-09 | 이종 로봇·시뮬·사람 영상·배치 로봇 데이터를 공유 트렁크로 사전학습해 엠바디먼트 간 표현을 공유한다. |
| BAKU | 2024-06 | 약 10M 파라미터 멀티태스크 정책을 소비자급 GPU 1장에서 벤치마크당 6–26시간에 학습한다. |
| VQ-BeT | 2024-03 | 연속 행동을 계층적 잔차 VQ 코드로 바꿔 반복 디노이징 없이 한 번에 예측한다. |
| ScaleDP | 2024-09† | 확산 정책 트랜스포머를 10M에서 1B까지 키우며 성능 향상을 보고했다. |
| UMI | 2024-02 | GoPro를 단 핸드헬드 그리퍼로 로봇 없이 시연을 모아 로봇 정책으로 옮긴다. |
| DP3 | 2024-03 | 희소 점군을 작은 MLP로 인코딩해 과제당 10데모 수준으로 학습하는 3D 확산 정책이다. |
| Data Scaling Laws | 2024-10 | UMI로 4만 건 넘는 시연을 모아 일반화가 환경·물체 수의 거듭제곱 법칙을 따름을 보였다. |
| RISE | 2024-04 | 단일 시점 점군을 희소 3D 합성곱으로 인코딩하고 트랜스포머와 확산 헤드로 행동을 낸다. |
| Robot Utility Models (RUM) | 2024-09 | 25달러 BoM iPhone 수집 도구로 과제당 약 1,000데모를 약 40개 환경에서 모아 새 환경에 제로샷 배치한다. |
| EgoMimic | 2024-10 | Project Aria 안경으로 찍은 1인칭 사람 시연과 로봇 텔레옵을 한 정책으로 공동학습한다. |
| InterACT | 2024-09† | 양팔 간 상호의존을 계층적 어텐션과 팔별 디코더 동기화로 모델링한 ACT 계열 정책이다. |
| CARP | 2024-12† | 행동열을 다중 스케일 토큰으로 바꿔 거친 것부터 세밀한 것으로 자기회귀 예측한다. |
| Dense Policy | 2025-03 | 인코더 전용 트랜스포머로 행동열을 양방향 조밀 확장해 로그 시간에 생성한다. |
| Chain-of-Action | 2025-06 | 목표 키프레임부터 현재 시점까지 궤적을 거꾸로 생성해 전역 목표를 행동에 반영한다. |
| BRS (WB-VIMA) | 2025-03 | 이동 베이스·4-DoF 토르소·양팔을 가진 Galaxea R1으로 장기 가사 전신 조작을 학습한다. |
자기회귀·잠재 액션 VLA모델 24개
| Octo | 2023-12 | 사전학습 VLM 없이 OXE 800k 에피소드로 학습한 범용 VA 정책이다. |
| OpenVLA | 2024-06 | OXE 970k 궤적으로 학습한 공개 7B VLA로, ECoT·TraceVLA·OpenVLA-OFT·UniVLA 등이 이 스택을 기반으로 했다. |
| OpenVLA-OFT | 2025-02 | OpenVLA 파인튜닝 레시피를 병렬 디코딩·액션 청크·L1 회귀로 바꿔 처리량을 26~43배 높였다. |
| MiniVLA | 2024-12 | OpenVLA를 7B에서 약 1B로 줄이고 VQ 액션 청크와 이력 입력을 더했다. |
| TinyVLA | 2024-09 | 로봇 데이터 사전학습 없이 소형 VLM에 확산 헤드를 붙이고 LoRA(트랜스포머 파라미터의 5.0%)로 학습한다. |
| ECoT | 2024-07 | 액션 전에 계획·하위과제·물체 위치 같은 구체적 추론을 생성해 OpenVLA의 절대 성공률을 28% 높였다. |
| LLaRA | 2024-06 | 로봇 행동을 LLaVA 대화 형식의 텍스트로 바꾸고 6종 보조 자기지도 데이터로 학습한다. |
| 3D-VLA | 2024-03 | 3D 장면 이해와 목표 상태 생성(확산 월드 모델)을 액션 토큰 예측과 결합했다. |
| RoboFlamingo | 2023-11 | VLM은 고정하고 resampler·교차 어텐션·정책 헤드만 학습하는 연속 액션 VLA다. |
| SpatialVLA | 2025-01 | 3D 위치 인코딩과 적응형 그리드 토큰으로 7차원 액션을 3토큰으로 줄였다. |
| LAPA | 2024-10 | 액션 레이블 없는 로봇·사람 영상에서 잠재 액션을 학습해 VLA를 사전학습한다. |
| UniVLA (OpenDriveLab) | 2025-05 | 과제 무관·과제 중심 2단계로 잠재 액션을 학습해 사람 영상과 내비게이션 데이터까지 사전학습에 쓴다. |
| Magma | 2025-02 | UI 내비게이션과 로봇 조작을 함께 다루는 멀티모달 에이전트 기반 모델이다. |
| TraceVLA | 2024-12 | 점 추적 궤적을 이미지 프롬프트로 넣는 visual trace prompting으로 시공간 인식을 높였다. |
| CoT-VLA | 2025-03 | 하위목표 이미지를 먼저 생성하는 시각적 사고 사슬(visual CoT) VLA다. |
| NORA | 2025-04 | Qwen2.5-VL-3B에 FAST+ 액션 토큰을 더한 3B 자기회귀 VLA다. |
| MolmoAct | 2025-08 | 깊이 인식과 시각 궤적을 거쳐 액션을 내는 '액션 추론 모델'이다. |
| WorldVLA | 2025-06 | 액션 생성과 다음 이미지 예측(월드 모델)을 하나의 자기회귀 모델에 통합했다. |
| UniVLA (BAAI) | 2025-06 | 비전·언어·액션을 하나의 이산 토큰 시퀀스로 다루고 로봇 영상으로 월드 모델 사후학습을 한다. |
| Moto | 2024-12 | 영상에서 학습한 잠재 모션 토큰으로 GPT를 사전학습한 뒤 실제 액션으로 연결한다. |
| villa-X | 2025-07 | 잠재 액션을 중간 계획으로 두고 로봇 액션 전문가와 함께 학습한다. |
| VLA-0 | 2025-10 | VLM 구조와 어휘를 바꾸지 않고 액션을 일반 텍스트 숫자로 내게 한 설계다. |
| VLA-Adapter | 2025-09 | 로봇 사전학습 없이 0.5B 백본과 Bridge Attention 정책으로 LIBERO 97.3%를 냈다. |
| RoboMamba | 2024-06 | 트랜스포머 대신 Mamba 상태공간 모델을 LLM으로 쓴 VLA다. |
π 계열모델 9개
| π0 | 2024-10 | VLM 백본에 별도 flow matching 액션 전문가를 붙인 π 계열 첫 모델로, 7개 로봇 구성·68과제의 약 10,000 h 데이터로 사전학습했다. |
| π0-FAST (FAST 토크나이저) | 2025-01 | 액션 청크를 DCT와 BPE로 압축해 고주파 연속 제어를 자기회귀 토큰으로 학습하게 했다. |
| Hi Robot | 2025-02 | 상위 VLM이 사용자 프롬프트와 중간 개입을 1~3초 스킬 단위 언어 명령으로 바꾸고 하위 π0가 실행하는 계층형 시스템이다. |
| π0.5 | 2025-04 | 한 모델이 서브태스크 텍스트를 먼저 예측한 뒤 액션을 내며, 웹·다중 로봇·서브태스크 주석 데이터와 공동 학습한다. |
| π0.5 + KI | 2025-05 | 액션 전문가의 기울기가 VLM으로 흐르지 않게 막아 VLM 지식을 보존하면서 FAST 토큰으로 표현을 학습한다. |
| Real-Time Chunking (추론시 RTC) | 2025-06 | 재학습 없이 diffusion·flow VLA에 적용하는 추론 기법으로, 다음 청크를 실행 중 액션에 맞춰 inpainting해 추론 지연 중에도 끊김 없이 실… |
| π0.6 | 2025-11 | 백본을 Gemma 3 4B로, 액션 전문가를 약 860M로 키우고 풍부한 메타데이터 조건화를 더했다. |
| π*0.6 (RECAP) | 2025-11 | 시연·자율 rollout·전문가 교정을 어드밴티지 조건부 오프라인 RL(RECAP)로 반복 학습한다. |
| 학습시 RTC | 2025-12 | 추론 지연(실기 0~10스텝 균등 샘플)을 학습 때 흉내 내 액션 prefix 조건화를 배우므로 추론시 RTC의 추가 연산이 없다. |
Flow·Diffusion VLA모델 18개
| RDT-1B | 2024-10 | 통합 액션 공간으로 46개 이질적 로봇 데이터셋을 함께 학습한 확산 정책이다. |
| RDT2 | 2025-09 | 로봇 텔레옵 대신 개량 UMI 핸드헬드 장치로 100여 가정에서 모은 사람 시연 약 1만 시간으로 학습했다. |
| CogACT | 2024-11 | VLM이 낸 cognition token을 조건으로 별도 DiT가 액션 시퀀스를 생성하고 Adaptive Action Ensemble로 청크를 합친다. |
| DiVLA (Diffusion-VLA) | 2024-12 | VLM이 생성한 추론 문장을 FiLM으로 확산 정책 헤드에 주입하며, GPT-4o로 학습 데이터를 추론 포함 형식으로 바꿨다. |
| DexVLA | 2025-02 | 1B 확산 전문가를 교차 엠바디먼트 데이터로 먼저 사전학습하는 3단계 커리큘럼을 쓰고, 약 5초마다 sub-step 추론 주석을 단다. |
| HybridVLA | 2025-03 | 한 LLM이 자기회귀 예측과 확산 액션 생성을 함께 하고, AR 토큰 평균 신뢰도가 0.96을 넘으면 두 액션을 평균하는 협동 앙상블을 쓴다. |
| Dita | 2024-10† | 언어·이미지·timestep·노이즈 액션 토큰을 한 causal transformer 시퀀스에 넣는 in-context 조건화로 확산 디노이징을 한다. |
| SmolVLA | 2025-06 | 커뮤니티 SO100 데이터셋 481개로 사전학습한 0.45B 소형 VLA로, 단일 GPU 학습과 소비자 GPU·CPU 배포를 목표로 한다. |
| X-VLA | 2025-10 | 엠바디먼트별 soft prompt(전체 파라미터의 0.04%)로 7개 플랫폼의 이질성을 흡수한다. |
| FLOWER | 2025-09 | VLM 중간층 융합과 액션 공간별 Global-AdaLN으로 파라미터를 20% 넘게 줄여 약 200 H100 GPU-시간에 사전학습했다. |
| InternVLA-M1 | 2025-10 | VLM이 먼저 핵심 물체 위치를 찾는 공간 grounding을 사전학습한 뒤 DiT 액션 전문가를 붙이는 이중 시스템이다. |
| WALL-OSS | 2025-09 | 추론(CoT)·서브태스크 계획·연속 액션을 한 흐름으로 내는 Uni-CoT를 쓰며 액션용과 VL용 FFN을 분리했다. |
| EO-1 | 2025-08 | 비전·텍스트·액션을 섞은 interleaved 시퀀스로 추론과 액션을 한 디코더에서 함께 학습한다. |
| GraspVLA | 2025-05 | 실로봇 데이터 없이 합성 SynGrasp-1B(10M 궤적)와 웹 grounding(GRIT)을 공동 학습해 제로샷 파지를 한다. |
| Evo-1 | 2025-11† | 로봇 데이터 사전학습 없이 0.77B로 Meta-World 80.6%, RoboTwin 37.8%를 내 SmolVLA·π0보다 높다고 보고한다. |
| NORA-1.5 | 2025-11 | 자기회귀 VLA에 flow 전문가를 붙여 FAST+ 토큰과 연속 액션을 함께 학습하고 DPO 보상 사후학습을 더했다. |
| F1-VLA | 2025-09 | 액션 전에 미래 시각 장면(foresight)을 next-scale 방식으로 생성해 계획에 쓰는 VLA다. |
| DexGraspVLA | 2025-02 | 기성 VLM planner가 목표 물체를 지정하고, 분할 마스크와 DINOv2 특징을 받는 DiT controller가 덱스터러스 핸드 파지를 수행한다. |
산업계 모델모델 24개
| Gemini Robotics | 2025-03 | 클라우드 백본과 온보드 디코더로 나눠 관측에서 action chunk까지 약 250ms, 유효 50Hz로 제어한다. |
| Gemini Robotics-ER | 2025-03 | 행동 대신 pointing, 3D bbox, grasp 예측 같은 공간 이해 결과를 출력하는 VLM이다. |
| Gemini Robotics On-Device | 2025-06 | 데이터 네트워크 없이 로봇에서 로컬로 실행되도록 최소 연산을 목표로 설계했다. |
| Gemini Robotics 1.5 | 2025-09 | 행동 전에 자연어로 사고하는 'Thinking VLA'이며, Motion Transfer로 여러 embodiment 데이터를 함께 학습한다. |
| Gemini Robotics-ER 1.5 | 2025-09 | 로봇 활동을 조율하는 상위 '두뇌'로, GR 1.5에 단계별 자연어 지시를 내린다. |
| RT-H | 2024-03 | 한 모델이 'move arm forward' 같은 language motion을 먼저 예측한 뒤 행동을 예측하는 계층형 VLA다. |
| AutoRT | 2024-01 | 로봇 함대를 LLM·VLM으로 조율해 실환경 데이터를 대규모로 수집하는 시스템이며 모델이 아니다. |
| SARA-RT | 2023-12 | 사전학습·파인튜닝된 트랜스포머 로봇 정책의 2차 복잡도 어텐션을 선형 어텐션으로 바꾸는 효율화 기법이다. |
| GR-2 | 2024-10 | 웹 비디오 38M clips로 미래 프레임 생성을 사전학습한 뒤 로봇 궤적으로 비디오·행동을 함께 파인튜닝한다. |
| GR-3 | 2025-07 | 로봇 궤적, 웹 비전-언어 데이터, VR 사람 궤적을 함께 학습해 새 물체·지시로 일반화한다. |
| GR-RL | 2025-12 | 학습한 task progress(Q값)로 시연을 거르고, 좌우 대칭 증강 후 잠재 노이즈 예측기로 온라인 RL을 한다. |
| GR-Dexter | 2025-12 | 21-DoF 인간형 손 2개를 단 고정 양팔(총 56-DoF)을 4B VLA로 제어한다. |
| TRI LBM 1.0 | 2025-07 | LLM·VLM 없이 CLIP 언어 조건을 받는 diffusion transformer 정책이다. |
| GO-1 | 2025-03 | 사람 영상에서 배운 embodiment 무관 latent action으로 계획하고, Action Expert가 실제 행동으로 바꾼다. |
| Genie Envisioner | 2025-08 | 비디오 world model(GE-Base)의 표현을 경량 행동 디코더(GE-Act)가 받아 행동을 만들고, GE-Sim이 행동 조건 비디오 시뮬레이터 역할을… |
| RFM-1 | 2024-03 | 언어 지시 이해, in-context 학습, 행동 조건 비디오 예측을 하나의 8B 모델에서 처리한다. |
| Skild Brain | 2025-07 | 사족보행·휴머노이드·테이블탑 팔·모바일 매니퓰레이터를 하나로 제어하는 omni-bodied 모델을 표방한다. |
| DYNA-1 | 2025-06 | 과제 진행도를 평가하는 보상 모델로 실수를 스스로 찾아 고치며, 상업용 반복 조작의 장시간 무개입 운용을 목표로 한다. |
| GEN-0 | 2025-11 | 실세계 조작 데이터 270,000 h로 사전학습한 embodied foundation model이다. |
| Galaxea G0 | 2025-08 | 고수준 지시를 VLM planner가 처리하고 VLA executor가 실행하는 2계층 구조다. |
| GigaBrain-0 | 2025-10 | world model GigaWorld로 만든 생성 데이터(Real2Real, Sim2Real, 사람 영상 변환 등)로 실로봇 데이터 의존을 줄인다. |
| RynnVLA-001 | 2025-08 | ego-centric 사람 조작 영상 12M개로 비디오 생성을 사전학습한 뒤 궤적 인지 비디오 모델링과 VLA 파인튜닝으로 이어지는 3단계 학습이다. |
| UnifoLM-WMA-0 | 2025-09 | world model과 행동 생성을 묶은 Unitree의 오픈 프레임워크로, 팔 테이블탑 조작으로 시연했다. |
| V-JEPA 2-AC | 2025-06 | 인터넷 비디오 100만 시간 이상으로 world model을 자기지도 학습하고, 무라벨 로봇 영상 62 h 미만으로 행동 조건 예측기를 붙였다. |
휴머노이드 VLA모델 14개
| GR00T N1 | 2025-03 | 행동 라벨 없는 사람 영상·뉴럴 생성 영상에 잠재행동(LAPA)·역동역학 모델(IDM) 의사 행동을 붙여 실로봇·시뮬 데이터와 함께 사전학습한다. |
| GR00T N1.5 | 2025-05 | VLM을 사전·사후학습 모두 동결하고 flow matching에 FLARE(미래 잠재 표현 정렬) 손실(계수 0.2)을 더해 사람 1인칭 영상에서도 배운다. |
| GR00T N1.6 | 2025-09 | N1.5의 VLM 뒤 4층 어댑터를 없애고 VLM 상위 4층을 풀었으며 DiT를 2배(32층)로 키웠다. |
| Figure Helix | 2025-02 | S2 잠재 벡터를 S1 토큰 공간에 투영해 시각 특징과 이어 붙이고, 한 벌의 가중치를 회귀 손실로 end-to-end 학습한다. |
| Atlas LBM | 2025-08 | 그리퍼 관절·목 요·몸통 자세·손·발 자세를 포함한 전신 행동을 한 정책이 직접 낸다. |
| 1X Redwood AI | 2025-06 | 팔·손 명령과 함께 보행·조작·골반 자세 명령을 동시에 예측해 전신·다중 접촉 조작을 한다. |
| Tesla Optimus | 2024-05(2차) | 공식 기술 공개는 없고, 2차 출처상 2D 카메라와 손 촉각·힘 센서를 쓰는 end-to-end 신경망이 FSD 컴퓨터에서 실시간으로 돈다. |
| Being-H0 | 2025-07 | 사람 손 영상 VLA 사전학습, 물리 공간 정렬, 로봇 태스크 사후학습을 잇는 'physical instruction tuning'을 쓴다. |
| Humanoid-VLA | 2025-02 | 언어와 1인칭 시각으로 전신 모션을 생성하고 RL 트래커가 실행하는 계층 구조다. |
| LeVERB | 2025-06 | 잠재 행동 어휘(latent verb)로 비전-언어 계층과 전신 제어 계층을 잇는 계층형 VLA로, 시뮬에서만 학습해 G1에 zero-shot 전이한다. |
| UH-1 (Humanoid-X) | 2024-12 | 비전 입력 없이 언어를 휴머노이드 동작으로 바꾸는 VLA 인접 모델이다. |
| EgoVLA | 2025-07 | 사람 1인칭 영상으로 사전학습한 뒤 로봇 시연으로 미세조정해 사람 손 동작 공간을 휴머노이드 양손 조작으로 옮긴다. |
| HAT | 2025-03 | 사람 VR 시연과 휴머노이드 텔레옵을 같은 54차원 행동 공간에서 공동학습한다. |
| WholeBodyVLA | 2025-12 | 행동 라벨 없는 저비용 1인칭 영상에서 배우는 통합 잠재 학습으로 대공간 로코-매니퓰레이션을 한다. |
휴머노이드 전신 제어기모델 18개
| HumanPlus HST | 2024-06 | 사람 동작을 실시간으로 휴머노이드에 옮기는 섀도잉용 저수준 트래커다. |
| HumanPlus HIT | 2024-06 | 섀도잉으로 모은 태스크당 최대 40개 시연으로 자율 전신 기술을 배우는 시각-운동 정책이다. |
| Humanoid Locomotion as Next Token Prediction | 2024-02 | 실세계 보행을 다음 토큰 예측 문제로 보고 RL 정책·모델 기반 제어기·모션캡처·YouTube 영상 궤적을 함께 학습한다. |
| Challenging-Terrain Transformer | 2024-10 | 기존 정책·모델 기반 제어기·사람 모션캡처 궤적으로 시퀀스 모델링 사전학습 후 RL로 미세조정한다. |
| BeyondMimic | 2025-08 | 적응 샘플링으로 긴 모션의 어려운 구간을 학습해 LAFAN1 동작을 파라미터 튜닝 없이 실기로 옮긴다. |
| LeVERB-A | 2025-06 | 비전-언어 무관 RL 교사들을 DAgger로 트랜스포머 학생에 증류해 잠재 명령을 전신 행동으로 바꾼다. |
| OmniH2O | 2024-06 | VR·RGB 키포인트로 전신을 원격조작하는 트래커이자, 모은 시연으로 자율 정책을 학습하는 플랫폼이다. |
| HOVER | 2024-10 | 명령 모드·희소 마스크로 여러 제어 모드를 하나의 다중모드 전신 정책에 통합한다. |
| iDP3 | 2024-10 | 1인칭 3D 포인트 클라우드 확산 정책으로 휴머노이드 상체 조작을 온보드 연산만으로 15 Hz에 수행한다. |
| ExBody2 | 2024-12 | 추적 오차 임계값 τ* = 0.150으로 학습 모션을 자동 선별해 표현력 있는 전신 동작을 추적한다. |
| TWIST | 2025-05 | PPO 특권 교사와 RL+BC 공동 최적화 학생으로 모캡 기반 전신 원격조작을 한다. |
| TWIST2 | 2025-11 | 모캡 없이 PICO4U VR과 맞춤형 2-DoF 로봇 목(약 $250)으로 원격조작 데이터를 모은다. |
| AMO | 2025-05 | 궤적 최적화(Crocoddyl BoxFDDP)로 만든 하이브리드 데이터로 몸통 명령에 적응해 초고자유도 전신 조작을 한다. |
| GMT | 2025-06 | 적응 샘플링(10초 초과 모션을 10초로 자르고 완료도로 가중)과 MoE로 단일 정책이 다양한 사람 동작을 추적한다. |
| SONIC | 2025-11 | 모션 추적을 데이터·모델·연산 규모로 키운 범용 토큰 전신 제어기다. |
| VIRAL | 2025-11 | RL 교사를 대규모 타일 렌더링 시뮬에서 RGB 학생으로 증류해 시각 기반 로코-매니퓰레이션을 실기로 옮긴다. |
| BumbleBee | 2025-06 | 모션 클러스터링과 시뮬-실제 적응을 결합한 전문가-일반가 학습 프레임워크다. |
| Figure RL 보행 제어기 | 2025-03 | 물리 파라미터가 서로 다른 Figure 02 수천 대를 병렬 시뮬레이션해 수년치 시뮬 시연을 몇 시간 만에 학습한다. |
2026 신규모델 35개
| G0Plus | 2026-01 | Galaxea의 2026년 1월 공개 체크포인트(G0Plus_3B-base)로, 실세계 로봇 데이터 2k시간 이상으로 사전학습했다. |
| InternVLA-A1 | 2026-01 | 장면 이해·시각 예측 생성·액션 실행을 하나의 MoT에서 조율한다. |
| 1X World Model (1XWM) 정책 | 2026-01 | 세계모델이 생성한 영상 프레임 사이의 액션을 IDM이 추출하는 영상 생성 기반 정책이다. |
| Spirit v1.5 | 2026-01 | 정제 데이터 대신 다양하고 약하게 통제된 수집 데이터로 학습했다. |
| Being-H0.5 | 2026-01 | UniHand-2.0(인간 1인칭 16,000시간·로봇 14,000시간 이상)으로 30개 엠바디먼트를 학습했다. |
| Cosmos Policy | 2026-01 | 사전학습 영상 모델을 구조 변경 없이 정책으로 학습한 영상 모델 정책이다. |
| Rho-alpha (ρα) | 2026-01(2차)† | Microsoft Phi 계열에서 파생된 첫 로봇 모델로, 촉각을 더한 'VLA+'다. |
| LingBot-VLA | 2026-01 | 양팔 로봇 9종의 실데이터 약 20,000시간으로 사전학습했다. |
| Helix 02 | 2026-01 | S1이 상체에서 전신 제어로 넓어졌고, S0가 손코딩 C++ 109,504줄을 대체하는 학습형 전신 제어기다. |
| UnifoLM-VLA-0 | 2026-01 | Unitree G1에서 단일 정책으로 12개 범주의 조작 과제를 수행한다. |
| HoloBrain-0 | 2026-02 | 다시점 카메라 파라미터와 운동학 기술로 엠바디먼트 정보를 주입한다. |
| G0Tiny | 2026-02 | Galaxea의 250M 경량 모델로, SmolVLM2 백본을 쓴다. |
| Xiaomi-Robotics-0 | 2026-02 | Λ자형 attention mask와 RoPE 위치 오프셋으로 비동기 실행을 학습한다. |
| DreamZero | 2026-02 | 영상과 액션을 함께 예측하는 세계 행동 모델(WAM)이다. |
| EgoScale | 2026-02 | 1인칭 인간 영상 20,854시간 이상으로 VLA를 사전학습해 손재주 과제 평균 성공률을 54% 올렸다. |
| Ψ0 (Psi-Zero) | 2026-03 | 사람 영상 약 800시간과 로봇 데이터 30시간만으로 10배 넘는 데이터의 기준 모델을 40% 이상 앞섰다고 보고했다. |
| GR00T N1.7 | 2026-03 | EgoScale 사람 영상 20K시간과 로봇 시연으로 사전학습한 공개 추론형 VLA다. |
| GEN-1 | 2026-04 | 사전학습 데이터에 로봇 데이터가 없고, 사람 웨어러블 기기 데이터 50만 시간 이상으로 학습했다. |
| GO-2 | 2026-04(2차) | 액션 공간에서 직접 계획하는 Action CoT와 비동기 이중 시스템을 결합했다. |
| Being-H0.7 | 2026-04 | BeingBeyond가 '플래그십 WAM'으로 소개한 3B 모델로, LIBERO 평균 99.2%를 보고했다. |
| π0.7 | 2026-04 | 언어에 실행 품질·속도·전략 메타데이터와 하위목표 이미지를 더한 다양한 맥락 조건화가 핵심이다. |
| MolmoAct 2 | 2026-05 | 행동 추론 모델로, Think 변형은 적응 깊이 추론 토큰을 쓴다. |
| G0.5 | 2026-06 | 추론과 액션을 하나의 자기회귀 스트림으로 내는 디코더 전용 VLA다. |
| SyVLA | 2026-06 | 사전학습 연산(H200 32개, 약 1.5일)을 밝힌 학술 VLA다. |
| OpenHLM | 2026-06 | π0.5를 전신 명령 출력으로 파인튜닝해 SONIC 저수준 전신 제어기 위에 올린 휴머노이드 레시피다. |
| Galbot AstraBrain(银河星脑) 계열 | 2026-06(2차) | 银河星脑/AstraBrain, AstraBrain-Agent, AstraBrain-WBC 0.5, DexNDM(손재주 손 세계모델)으로 이뤄진 계열이다. |
| InternVLA-A1.5 | 2026-07† | 학습 때만 WAN2.2-5B 영상 교사로 잠재 시각 예측 토큰을 감독하고 추론 때는 영상 분기를 뗀다. |
| TurboVLA | 2026-07 | 0.2B 경량 VLA로 추론 지연 31.2 ms(32 Hz), 추론 VRAM 0.9 GB를 보고했다. |
| Gemini Robotics 2 | 2026-07 | 시각·언어 입력을 발끝부터 손끝까지 전신 모터 제어로 바꾸는 VLA다. |
| Gemini Robotics On-Device 2 | 2026-07 | 로봇에서 로컬로 도는 VLA로, 새 양팔 엠바디먼트에 수 시간·예시 200개 미만으로 적응한다. |
| DYNA-2 | 2026-08 | 1인칭 사람 영상 100만 시간 이상으로 사전학습한 세계 행동 모델(WAM)이다. |
| Skild S1 | 2026-08(Skild)/2026-09(NVIDIA) | 영상 시연 하나로 새 과제를 가중치 갱신 없이 수행하는 인컨텍스트 학습 VA다. |
| GEN-1.5 | 2026-08 | 3–12초 시연을 물리 프롬프트로 받아 가중치 갱신 없이 새 과제를 수행한다. |
| ω-0 (OMEGA-0) | 2026-08 | 언어·1인칭/3인칭 영상·고유감각으로 미래 관측 임베딩을 예측하면서 행동 DiT로 SONIC 호환 전신 행동 잠재를 생성하는 휴머노이드 잠재 예측 world a… |
| Qwen-VLA | 2026-05 | Qwen VLM에 DiT flow-matching 디코더를 붙여 조작·내비게이션·궤적 예측을 하나의 행동·궤적 공간으로 묶고, 로봇별 프롬프트 조건화로 한 가중… |
모바일 매니퓰레이션모델 16개
| TidyBot++ | 2024-11 | 전방향(holonomic) 파워드 캐스터 베이스와 휴대폰 텔레옵 시연으로 과제별 Diffusion Policy를 학습해 베이스 목표 자세와 팔 말단 목표를 함께… |
| MoManipVLA | 2025-03 | 고정 베이스용 사전학습 VLA가 낸 말단 waypoint를 실현 가능하게 만드는 베이스 waypoint를 이중 최적화로 찾아 VLA를 모바일 매니퓰레이션으로 이… |
| AC-DiT | 2025-07 | 베이스 행동만으로 먼저 학습한 경량 모빌리티 헤드의 잠재 표현을 전신 행동 생성의 조건으로 넣고(mobility-to-body), 단계별 필요에 따라 2D 이미… |
| SG-VLA | 2026-03 | 로봇 전역 자세·관절 구성·파지 성공·목표 물체 자세·분할 마스크를 복원하는 보조 디코더를 VLA와 단계적으로 공동학습해 공간 grounding을 강화한다. |
| PanoVLA | 2026-08 | π0.5에 파노라마 전문가를 끼운 Mixture-of-Transformers로 360° 파노라마의 전역 공간 맥락을 로컬 카메라 뷰와 융합하고, 단일 VR 전신… |
| HarmonicMM | 2023-12 | 내비게이션과 조작 모듈을 나누지 않고 RGB만으로 베이스와 팔을 함께 움직이는 단일 정책을 ProcTHOR 시뮬에서 DD-PPO로 끝단간 학습한다. |
| ACT-1 | 2025-11 | Skill Capture Glove로 모은 사람 시연을 Skill Transform으로 로봇 데이터로 바꿔, 텔레옵 로봇 궤적 없이 장기 조작과 3D 지도 조건… |
| UMI on Legs | 2024-07 | UMI 핸드헬드 시연으로 학습한 diffusion 조작 정책이 태스크 좌표 말단 궤적을 내면, 시뮬 RL로 학습한 조작 중심 전신 제어기(WBC)가 이를 추종해… |
| VBC | 2024-03 | 시각 고수준 정책이 베이스 속도와 말단 자세 목표를 내고 다리 관절을 쓰는 RL 저수준 정책이 이를 추종하는 계층형 사족+팔 전신 제어 프레임워크다. |
| Helpful DoggyBot | 2024-09 | 전면 하단 1-DoF 그리퍼를 단 Go2에 시뮬 RL로 학습한 1인칭 깊이 기반 민첩 제어기와 사전학습 VLM 인식·비례 제어를 결합한 모듈형 실내 물체 가져오… |
| QUAR-VLA (QUART) | 2023-12 | 단일 RGB와 언어 지시로 사족 고수준 명령(속도·보행·자세)을 이산 토큰으로 내는 사족 VLA 과제 정의와 QUART 모델, 시뮬·실로봇 QUARD 데이터셋을… |
| QUART-Online | 2024-12 | 연속 행동 청크를 잔차 VQ 코드로 압축하는 ACD로 MLLM이 한 번 추론에 여러 스텝 명령을 내도록 미세조정해 파라미터 축소 없이 지연을 없앤 사족 VLA다. |
| MoRE | 2025-03 | Fuyu-8B에 다수 LoRA 전문가를 희소 MoE로 넣고 VLA를 Q-함수로 보아 성공·실패가 섞인 자동 수집 데이터로 오프라인 RL 학습한 사족 VLA다. |
| RoboDuet | 2024-03 | 보행 정책과 팔 정책 두 RL 정책이 협력하며(팔 정책이 몸체 피치·롤을 지시) 사족+팔의 베이스 이동과 말단 6D 자세 추종을 동시에 수행하는 2단계 학습 전… |
| Learning Visual Quadrupedal Loco-Manipulation from Demonstrations | 2024-03 | 앞발 하나로 매개변수화된 베지어 궤적을 추종하며 나머지 세 다리로 보행하는 RL 저수준 제어기와, 점군 기반 DP3 diffusion 플래너가 궤적 파라미터를… |
| SLIM | 2025-01 | 손목 RGB 한 대와 언어 지시로 탐색·접근·집기·운반·투하 장기 과제를 수행하는 사족+팔 정책을 MuJoCo 시뮬 RL(특권 교사→시각 학생)만으로 학습해 실… |
내비게이션모델 28개
| GNM | 2022-10 | 6종 로봇에서 모은 이질적 주행 데이터를 정규화 행동 공간과 시간 컨텍스트로 통합해 하나의 이미지 목표 조건 내비게이션 정책을 학습한다. |
| ViNT | 2023-06 | GNM 데이터 혼합을 확장한 다로봇 주행 데이터로 31M 트랜스포머 정책을 학습하고 목표 토큰을 GPS 좌표·경로 명령 등 다른 목표 모달리티용 soft pro… |
| NoMaD | 2023-10 | 목표 이미지를 확률적으로 가리는 목표 마스킹으로 목표 지향 내비게이션과 무목표 탐색을 하나의 확산 정책에서 처리한다. |
| CrossFormer | 2024-08 | 20종 엠바디먼트의 900K 궤적을 관측·행동 공간 정렬 없이 하나의 130M 트랜스포머로 학습해 단일·양팔, 바퀴형, 사족, 쿼드콥터를 모두 제어한다. |
| LeLaN | 2024-10 | YouTube 투어·사람 보행 영상과 로봇 주행 데이터에 SAM·VLM(CogVLM)·GPT-3.5로 물체 지시문을 붙이고 깊이 추정으로 물체 위치를 라벨링해… |
| CityWalker | 2024-11 | 수천 시간의 YouTube 도시 보행·주행 영상에 DPVO 시각 주행거리계로 궤적 라벨을 붙여 GPS 목표 조건 도시 내비게이션 정책을 모방학습한다. |
| NWM | 2024-12 | 로봇 주행 영상과 행동으로 1B 조건부 확산 트랜스포머(CDiT) world model을 학습해 행동 시퀀스의 미래 영상을 상상하고 목표 이미지와의 유사도로 궤… |
| X-Mobility | 2024-10 | 자기회귀 잠재 world model로 환경 동역학을 먼저 학습하고 그 잠재 상태 위에서 행동 정책을 분리 학습해 시뮬 데이터만으로 일반화하는 종단간 내비게이션… |
| COMPASS | 2025-02 | 모방학습 기반 정책 위에 엠바디먼트별 잔차 RL 전문가를 학습한 뒤 이를 엠바디먼트 조건 정책 하나로 증류해 바퀴형·사족·휴머노이드 내비게이션을 통합한다. |
| OmniVLA | 2025-09 | 언어·목표 이미지·2D 목표 위치를 단독 또는 조합으로 받는 옴니모달 내비게이션 VLA로, OpenVLA 7B를 10개 플랫폼 9,500시간 데이터로 LoRA… |
| RING (The One RING) | 2024-12 | 시뮬에서 카메라 위치·화각·충돌체 크기 등을 무작위화한 100만 개 엠바디먼트의 전문가 궤적으로 모방학습한 뒤 DD-PPO로 RL 미세조정해 형상에 무관한 실내… |
| NavDP | 2025-05 | 시뮬레이션 데이터만으로 RGB-D 관측에서 궤적 생성(diffusion)과 궤적 평가(critic)를 한 트랜스포머로 함께 학습하며, critic은 시뮬 특권… |
| NaVid | 2024-02 | 단안 RGB 영상 이력과 언어 지시만으로 다음 행동을 언어로 출력하는 영상 VLM 기반 VLN 에이전트로, 지도·오도메트리·깊이 없이 연속 환경(VLN-CE)에… |
| Uni-NaVid | 2024-12 | VLN·ObjectNav·EQA·사람 추종 4개 내비게이션 과제의 입출력 형식을 통일해 하나의 영상 VLA로 학습하고, 온라인 토큰 병합과 4스텝 행동 예측으로… |
| NaVILA | 2024-12 | VLA가 저수준 관절 명령 대신 거리·각도를 담은 중간 수준 언어 행동을 출력하고, LiDAR 높이맵을 쓰는 RL 보행 정책이 이를 장애물 회피와 함께 실행하는… |
| Mobility VLA | 2024-07 | 환경 시연 투어 영상 전체를 장문맥 VLM(Gemini 1.5 Pro)에 넣어 텍스트·이미지 지시에 맞는 목표 프레임을 찾고, 같은 투어로 만든 위상 그래프로… |
| StreamVLN | 2025-07 | 연속 영상을 다중 턴 대화로 처리하며 최근 대화는 슬라이딩 윈도우 KV 캐시로 재사용하고 과거 시각 정보는 3D 복셀 기반 토큰 가지치기 메모리로 압축하는 스트… |
| NavFoM | 2025-09 | 사족·드론·바퀴형·차량 등 여러 엠바디먼트와 VLN·물체 탐색·추적·자율주행 과제를 하나의 모델로 학습한 내비게이션 기반 모델로, 시점·시간 지시 토큰과 토큰… |
| InternVLA-N1 | 2025-07 | VLM 기반 System 2가 이미지 상 픽셀 목표·잠재 계획을 저주파로 내고 diffusion 기반 System 1이 이를 조건으로 고주파 궤적을 생성하는 비… |
| TrackVLA | 2025-05 | 공유 LLM 위에 목표 인식용 언어 헤드와 궤적 계획용 anchor 기반 diffusion 헤드를 병렬로 둬 인식과 추적 궤적 계획을 함께 학습하는 체화 시각… |
| VLN-R1 | 2025-06 | 범용 VLM(Qwen2-VL)을 1인칭 영상 기반 VLN에 SFT한 뒤 시간 감쇠 보상(TDR)을 쓰는 GRPO 강화 미세조정(RFT)으로 다단계 행동 예측을… |
| ABot-N0 | 2026-02 | LLM Brain과 flow matching Action Expert를 묶은 Brain-Action 구조로 점·물체·지시·POI·사람 추종 5개 내비게이션 과제… |
| VLingNav | 2026-01 | 필요할 때만 명시적 추론을 켜는 적응형 CoT와 언어 요약·핵심 시각 특징을 결합한 메모리를 갖춘 내비게이션 VLA로, 모방학습 뒤 전문가 유도 온라인 RL로… |
| TIC-VLA | 2026-02 | 느린 VLM 추론의 지연된 상태와 명시적 지연 정보(추론·경과 시간, 자기운동)를 조건으로 빠른 액션 정책이 비동기로 제어하는 think-in-control V… |
| FutureNav | 2026-06 | VLM 은닉 상태 위에서 행동 예측과 역·순동역학, 미래 공간 상태 생성을 함께 학습하는 world-action 모델링을 VLN에 도입하고 추론에는 정책 헤드만… |
| Uni-LaViRA | 2026-05 | 사전학습 MLLM이 언어로 방향을 고르고 시각으로 목표 픽셀을 짚으면 이를 로봇 행동으로 번역하는 학습 없는 에이전트로, TODO List Memory와 Sec… |
| LightNav-0 | 2026-08 | 사전학습 VLM에 새 헤드 없이 포인팅 토큰과 RVQ 행동 토큰만 더해 지시 추종·물체 탐색·시각 추적을 한 토큰 인터페이스로 통합하고 ER 중간학습→SFT→G… |
| Qwen-RobotNav | 2026-06 | 과제 모드와 관측 문맥(토큰 예산·시간 감쇠·카메라 가중)을 매개변수화하고 학습 때 무작위화해, 한 모델이 VLN·물체 탐색·추적·자율주행을 상위 에이전트 플래… |