InternVLA-A1

Shanghai AI Lab · 2026-01

VLA2026 신규1.8Bflow matching

장면 이해·시각 예측 생성·액션 실행을 하나의 MoT에서 조율한다.

논문

백본 LLM: InternVL3 2B형 · Qwen3-VL 3B형 (두 변형)
비전 인코더: VLM 내장
액션 헤드: flow matching 액션 전문가 + 시각 예측 (MoT) (flow matching)
청크: 미공개
제어 주기: 미공개
구조 원문 요약: MoT 3전문가: 이해(InternVL3 2B형·Qwen3-VL 3B형), 생성(Cosmos CI8×8 연속 VAE 토크나이저, 시각 예측), 액션(청크 플로 매칭)

사전학습 가속기: 미공개
사전학습 기간: 미공개
사전학습 스텝·배치: 700K steps, 배치 512, LR 5×10⁻⁵ 고정, bf16
GPU·TPU-시간: 미공개
파인튜닝: GPU·시간 미공개; 60,000 steps, 배치 128, LR 5×10⁻⁵→5×10⁻⁶
데이터 종류: 시뮬레이션·합성(InternData-A1) + 실로봇 텔레옵(AgiBot World)
데이터 규모: 533M 프레임 이상(합성 325M + AgiBot World Beta 208M); InternData-A1 전체 630k 궤적·7,433시간
주요 데이터셋: InternData-A1, AgiBot World (Beta)
태스크·평가: 실세계 12과제 75.1%(3B형, π0 60.6%); 움직이는 재료 집기 93.3%(π0 20%); RoboTwin 2.0 Easy 65.0%·Hard 25.4%
로봇: Genie-1, ARX Lift-2, ARX AC One

핵심 특징: 장면 이해·시각 예측 생성·액션 실행을 하나의 MoT에서 조율한다. 합성 325M 프레임과 실로봇 208M 프레임을 섞어 학습했다.
비고: 경계 사례: arXiv v1 2026-01-05(v2 2026-02-13)이나 저장소 생성 2025-09-18(애그리게이터, 2차)이라 코드·가중치가 2026년 이전일 수 있음. 합성 325M 행은 검증 판독에 나오지 않음. HF 갱신 체크포인트(인간 영상 추가)는 RoboTwin 2.0 Easy 89.40%·Hard 89.64%로 프로토콜이 다름. 학습 총량이 프레임 단위라 데이터 시간(h) 비움. 파라미터(B)는 큰 변형.
검증: 확인