VLA 图库 / 模型列表 / Flow·Diffusion VLA

FLOWER

KIT Intuitive Robots Lab (1名合著者来自Microsoft Research) · 2025-09

VLAFlow·Diffusion VLA947Mflow matching

通过VLM中间层融合和按动作空间的Global-AdaLN将参数减少20%以上，约用200 H100 GPU-小时完成预训练。

论文

FLOWER: Democratizing Generalist Robot Policies with Efficient Vision-Language-Action Flow PoliciesarXiv 2509.04996

概述

分类

Flow·Diffusion VLA

类型

VLA

发布

2025-09

机构

KIT Intuitive Robots Lab (1名合著者来自Microsoft Research)

权重公开

是

参数

947M(正文)/950M(摘要)；ViT 360M(论文)/350M(README)，VLM 205M，Flow Transformer 339M，Global-AdaLN 28.3M

架构

主干LLM

无 (Florence-2 VLM 205M，去除解码器)

视觉编码器

Florence-2-L ViT (360M)

动作头

Flow Transformer 339M (4–8步) (flow matching)

动作块

20步

控制频率

3–50 Hz

架构原文摘要

去掉解码器的Florence-2-L（ViT 360M + VLM 205M，中间层融合）+ 18层·1024维Flow Transformer（339M），Action-Space Global-AdaLN-Zero；rectified flow，动作块 20，denoising 4（单臂）/8（高频双臂），3~50 Hz

训练

预训练加速器

H100×4(1节点)

预训练时长

48 h

预训练步数·批量

360,000步(按数据配置300k~400k)，批量256×grad accum 4 = 1024，lr FlowT 1e-4·VLM 1e-5

GPU·TPU-小时

200 (明示 · H100-小时（约 200；4张 × 48 h）)

微调

CALVIN GPU×4·每GPU批量8·40k步；LIBERO每个suite 30k(LIBERO-90 50k)；真机厨房50,000步；时间未公开；仓库训练需24GB+显存

数据类型

真实机器人遥操作

数据规模

8个公开数据集约250k条轨迹(delta-EEF 74%，单臂关节26%)；实机417条轨迹(人类演示45分钟)

主要数据集

OXE soup: Bridge 28.62%, Fractal 24.68%, DROID 23.50%等

任务·评估

CALVIN ABCD→D 4.67，ABC→D 4.53(摘要)/4.54(README)，D→D 4.36；LIBERO-10 94.5%(README)/94.9%(论文)，LIBERO-90 93.4%，Spatial 97.2%，Object 99.3%，Goal 96.9%；SIMPLER Bridge 40.0%，Google Robot 31.9%；Aloha sim insertion 0.82；真机厨房平均61%

机器人

单臂（Franka Panda实机厨房），双臂（Aloha sim），4种具身

推理

推理设备·速度

RTX 4090: 311.04 Hz, 0.052 s, 1,848 MB(为π0的27.6%, OpenVLA的12.7%)

推理显存

1,848 MB (RTX 4090)

权重 bf16（计算）

1.9 GB

运行位置

本地PC

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（Franka机械臂·双臂仿真）

备注

核心特点

通过VLM中间层融合和按动作空间的Global-AdaLN将参数减少20%以上，约用200 H100 GPU-小时完成预训练。在RTX 4090上以311 Hz运行，内存仅为π0的27.6%。

备注

参数(B)为正文947M。947M/950M，ViT 360M/350M，LIBERO-Long 94.9/94.5，CALVIN ABC 4.53/4.54，出处间存在差异。arXiv v1日期行未核实(HF Papers 2025-09-05)。

核验

已确认