VLA 图库 / 模型列表 / 2026年新增

InternVLA-A1.5

Shanghai AI Lab · 2026-07†

VLA2026年新增总量未公开未公开

仅在训练时用WAN2.2-5B视频教师监督潜在视觉预测token，推理时移除视频分支。

论文

InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional GeneralizationarXiv 2607.04988

概述

分类

2026年新增

类型

VLA

发布

2026-07†

机构

Shanghai AI Lab

权重公开

是

参数

总量未公开 (VLM 2B + 动作专家460M；WAN2.2-5B教师仅用于训练)

架构

主干LLM

Qwen3.5 2B (Gated DeltaNet混合)

视觉编码器

—

动作头

统一动作专家460M (未公开)

动作块

未公开

控制频率

未公开

架构原文摘要

Qwen-3.5 2B VLM(Gated DeltaNet线性注意力3层与全注意力1层交替) + 460M统一动作专家;视觉预测token 50个(训练时由冻结的WAN2.2-5B视频生成器监督,推理时去除视频分支)

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

Stage 1 300K + Stage 2 600K steps，批量1024，LR 5×10⁻⁵，bf16

GPU·TPU-小时

未公开

微调

余弦衰减后训练；硬件·时间未公开

数据类型

机器人操作数据（6个来源，未注明真实·合成之分）+ 网络视觉-语言（多模态QA）

数据规模

机器人 1.2M条回合·861M帧；多模态QA约 3M；采样比 机器人:多模态 = 0.15:0.85

主要数据集

6个来源(名称笔记未注明)

任务·评估

LIBERO·RoboTwin 2.0·EBench·SimplerEnv·LIBERO-Plus(零样本)·DOMINO(零样本) 6项综合最佳(自报);真实世界插管80.7%·移管74.4%·MOF长程76.4%

机器人

笔记未注明

推理

推理设备·速度

单张RTX 5090上推理1步约0.1 s

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

本地PC

强化学习与底盘

强化学习

未使用 · 监督学习(公开范围内)

底盘控制

固定 · 无底盘控制（RoboTwin 2.0·LIBERO·SimplerEnv等操作基准和真实操作）

备注

核心特点

仅在训练时用WAN2.2-5B视频教师监督潜在视觉预测token，推理时移除视频分支。自报在全部6个仿真基准中取得最佳综合结果。

备注

已反映修正：权重已公开(HF·ModelScope上的base·RoboTwin·Libero·DOMINO检查点，CC BY-NC-SA 4.0)。arXiv提交日2026-07-06†因abs页面HTTP 429无法核实(月份与arXiv ID 2607一致)。采样顺序确定为机器人0.15。作者栏'Physical Intelligence Team'为上海AI Lab的团队名，与Physical Intelligence公司无关。

核验

已反映修正