VLA 图库 / 模型列表 / Flow·Diffusion VLA
EO-1
EO-1 (EmbodiedOneVision)
EO-Robotics†(README联系方式pjlab.org.cn，镜像SHAILAB-IPEC) · 2025-08
VLAFlow·Diffusion VLA3B混合
以混合视觉·文本·动作的interleaved序列，在一个解码器中联合学习推理和动作。
论文
EmbodiedOneVision: Interleaved Vision-Text-Action Pretraining for General Robot ControlarXiv 2508.21112
概述
- 分类
- Flow·Diffusion VLA
- 类型
- VLA
- 发布
- 2025-08
- 机构
- EO-Robotics†(README联系方式pjlab.org.cn，镜像SHAILAB-IPEC)
- 权重公开
- 是
- 参数
- 3B
架构
- 主干LLM
- Qwen2.5-3B · Qwen2.5-VL初始化
- 视觉编码器
- Qwen2.5-VL ViT
- 动作头
- 自回归token + flow matching (10步) (混合)
- 动作块
- 16步
- 控制频率
- 未公开
- 架构原文摘要
- Qwen2.5-VL初始化的单一decoder-only Transformer;离散自回归解码 + 连续flow matching去噪,interleaved视觉-文本-动作序列;动作块16,denoising 10次
训练
- 预训练加速器
- '128+ GPUs'(README，型号未公开；flash-attn 3推荐H100/H800)
- 预训练时长
- 未公开
- 预训练步数·批量
- 5个epoch，可变长度打包(平均16,384)，批量1，lr 5×10⁻⁵(LM·projector)/1×10⁻⁵(视觉)
- GPU·TPU-小时
- 未公开
- 微调
- LIBERO: GPU×8,每设备64(有效512),50 epoch;真机每任务150条演示·25 epoch(子任务:整体 9:1);时间·型号未公开
- 数据类型
- 真实机器人遥操作 + 网络视觉-语言 + interleaved具身数据
- 数据规模
- 共135B token：机器人1.2M回合(127.3B token)，网络5.7M样本(7.1B)，EO-Data1.5M(1.0B)
- 主要数据集
- AgiBotWorld, OXE, RoboMIND, SO100-Community, IPEC-Franka; LLaVA-1.5, LLaVA-Video-178K, PixMo-Points, RefCOCO, RoboVQA; EO-Data1.5M
- 任务·评估
- LIBERO 98.2±0.3%(仓库50 epoch 99.7/99.8/99.2/94.8);SimplerEnv WidowX 72.7%,Google VM 76.5%·VA 63.0%;RoboVQA BLEU-4 58.5,ERQA 45.5;EO-Bench Spatial 36.4·Temporal 38.9;真机86.0%
- 机器人
- Franka Panda, WidowX 250 S, AgiBot G-1, LeRobot SO100
推理
- 推理设备·速度
- 单张RTX 4090 6 GB(README约6.5 GB);速度未公开
- 推理显存
- 6 GB (README约6.5 GB，RTX 4090)
- 权重 bf16（计算）
- 6 GB
- 运行位置
- 未公开
强化学习与底盘
- 强化学习
- 未使用 · 仅使用模仿学习（行为克隆）
- 底盘控制
- 固定 · 无底盘控制（含AgiBot G-1的4个平台操作任务）
备注
- 核心特点
- 以混合视觉·文本·动作的interleaved序列，在一个解码器中联合学习推理和动作。以135B token（机器人1.2M条回合）训练，取得LIBERO 98.2%。
- 备注
- 论文中没有训练GPU相关语句（'128+ GPUs'仅见于README）。机构名在论文提取中无法确认†。修订至arXiv v5（2026-02-25）。
- 核验
- 已确认