VLA 图库 / 模型列表 / Flow·Diffusion VLA

Evo-1

MINT-SJTU (GitHub组织名) · 2025-11†

VLAFlow·Diffusion VLA0.77Bflow matching

报告称无机器人数据预训练，以0.77B取得Meta-World 80.6%、RoboTwin 37.8%，高于SmolVLA·π0。

论文

Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic AlignmentarXiv 2511.04555

概述

分类

Flow·Diffusion VLA

类型

VLA

发布

2025-11†

机构

MINT-SJTU (GitHub组织名)

权重公开

是

参数

0.77B

架构

主干LLM

Qwen2.5-0.5B · InternVL3-1B配置

视觉编码器

InternViT-300M

动作头

flow matching DiT (flow matching)

动作块

50步

控制频率

未公开

架构原文摘要

InternVL3-1B(InternViT-300M + Qwen2.5-0.5B) + flow matching Diffusion Transformer动作头;动作块H=50

训练

预训练加速器

不适用(无机器人数据预训练)

预训练时长

不适用

预训练步数·批量

不适用

GPU·TPU-小时

未公开

微调

A100×8；Stage 1 10k步·批量16(VLM冻结)，Stage 2 65k步·批量16(全部)，lr 1×10⁻⁵；总时间未公开

数据类型

仿真 + 真实机器人遥操作(按任务)

数据规模

Meta-World每任务50条演示×50项任务,RoboTwin每任务50条轨迹,真机每任务100条遥操作演示

主要数据集

Meta-World, LIBERO, RoboTwin,自有xArm6数据

任务·评估

Meta-World 80.6%(SmolVLA 68.2%),LIBERO 94.8%,RoboTwin 37.8%(π0 30.9%),xArm6真机4项任务78%

机器人

xArm6(单臂)实机；RoboTwin双臂仿真

推理

推理设备·速度

RTX 4090d 2.3 GB, 16.4 Hz;Jetson Orin部署说明(2026-04, README)

推理显存

2.3 GB (RTX 4090d)

权重 bf16（计算）

1.5 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（xArm6机械臂·RoboTwin双臂仿真）

备注

核心特点

报告称无机器人数据预训练，以0.77B取得Meta-World 80.6%、RoboTwin 37.8%，高于SmolVLA·π0。在RTX 4090d上以2.3 GB达到16.4 Hz。

备注

核验笔记仅尝试了发布月份且无法确认，其余数值未核验。发布月份因arXiv日期行无法确认†(README首次记录2025-11-06)。以EVO1列入LeRobot原生策略列表。内存节省版为evo1-flash分支。

核验

未验证