VLA 图库 / 模型列表 / 人形机器人VLA

Figure Helix

Figure AI · 2025-02

VLA人形机器人VLAS2 7B + S1 80M回归

将S2潜向量投影到S1 token空间并与视觉特征拼接，用回归损失端到端训练一套权重。

论文

无论文

概述

分类

人形机器人VLA

类型

VLA

发布

2025-02

机构

Figure AI

权重公开

否

参数

S2 7B + S1 80M (物流更新中解码器头+50%，新总量未公开)

架构

主干LLM

未公开的7B开放VLM

视觉编码器

VLM内置 + 卷积视觉主干 (S1)

动作头

S1 80M编码器-解码器Transformer (回归)

动作块

未公开

控制频率

200 Hz

架构原文摘要

S2：7B开源VLM(7~9 Hz) → 潜向量 / S1：80M cross-attention编码器-解码器Transformer + 全卷积多尺度视觉主干，35-DoF连续动作200 Hz

训练

预训练加速器

未公开

预训练时长

未公开

预训练步数·批量

未公开

GPU·TPU-小时

未公开

微调

未公开

数据类型

真实机器人遥操作 / 人类视频

数据规模

遥操作~500小时(多机器人·多操作员，VLM自动标注)；物流规模扩展研究10~60小时；Go-Big人类视频规模未公开

主要数据集

自有遥操作数据集(非公开)；Project Go-Big第一人称人类视频

任务·评估

抓取小型家用物品，抽屉·冰箱操作，多机器人交接；物流每个包裹4.05秒(由~5.0秒)，条码成功率~95%(由~70%)；演示从10小时增至60小时时处理时间~6.84秒→4.31秒，条码88.2%→94.4%

机器人

Figure 02上身(腕·手指·躯干·头)，35-DoF

推理

推理设备·速度

每台机器人在2个低功耗嵌入式GPU上模型并行部署；S2 7~9 Hz，S1 200 Hz

推理显存

未公开

权重 bf16（计算）

14.2 GB

运行位置

机载 (嵌入式GPU 2块)

强化学习与底盘

强化学习

部分 (结合RL底层控制器) · S2·S1采用回归损失监督学习。2025年的行走由仿真RL训练的独立神经网络负责

底盘控制

固定 · 仅控制上半身 (手腕·手指·躯干·头部，S1 200 Hz)；未提及腿部·行走

备注

核心特点

将S2潜向量投影到S1 token空间并与视觉特征拼接，用回归损失端到端训练一套权重。洗衣·洗碗机更新未改模型和超参数，只增加了数据。

备注

参数(B)为7B + 80M之和。S1视觉主干以仿真预训练初始化，S1·S2输入按部署延迟设置时间偏移。物流更新(2025-06-07)新增Vision Memory·状态历史·力反馈。Go-Big(2025-09-18)用100%第一人称人类视频学习语言指令导航。2025年行走为独立RL控制器(另行列出)。Helix 02(2026-01)不在范围内。

核验

已确认