VLA 图库 / 模型列表 / 2026年新增

InternVLA-A1

Shanghai AI Lab · 2026-01

VLA2026年新增1.8Bflow matching

在一个MoT中协调场景理解·视觉预测生成·动作执行。

论文

InternVLA-A1: Unifying Understanding, Generation and Action for Robotic ManipulationarXiv 2601.02456

概述

分类

2026年新增

类型

VLA

发布

2026-01

机构

Shanghai AI Lab

权重公开

是

参数

1.8B(2B型)/3.2B(3B型)

架构

主干LLM

InternVL3 2B型 · Qwen3-VL 3B型 (两个变体)

视觉编码器

VLM内置

动作头

flow matching动作专家 + 视觉预测 (MoT) (flow matching)

动作块

未公开

控制频率

未公开

架构原文摘要

MoT 3专家: 理解(InternVL3 2B型·Qwen3-VL 3B型),生成(Cosmos CI8×8连续VAE tokenizer,视觉预测),动作(动作块flow matching)

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

700K steps，批量512，LR 5×10⁻⁵固定，bf16

GPU·TPU-小时

未公开

微调

GPU·时间未公开；60,000 steps，批量128，LR 5×10⁻⁵→5×10⁻⁶

数据类型

仿真·合成(InternData-A1) + 真实机器人遥操作(AgiBot World)

数据规模

533M帧以上(合成325M + AgiBot World Beta 208M)；InternData-A1共630k条轨迹·7,433小时

主要数据集

InternData-A1, AgiBot World (Beta)

任务·评估

真实世界12项任务75.1%(3B型，π0 60.6%)；抓取移动中的食材93.3%(π0 20%)；RoboTwin 2.0 Easy 65.0%·Hard 25.4%

机器人

Genie-1, ARX Lift-2, ARX AC One

推理

推理设备·速度

RTX 4090上约13 Hz(torch.compile,两个变体均是)

推理显存

未公开

权重 bf16（计算）

6.4 GB

运行位置

未公开

强化学习与底盘

强化学习

未使用 · 视觉预测 + flow matching监督学习

强化学习依据

https://arxiv.org/html/2601.02456v1

底盘控制

固定 · 无底盘移动任务（双臂操作；未提及底盘·升降控制）

备注

核心特点

在一个MoT中协调场景理解·视觉预测生成·动作执行。混合合成325M帧与实机208M帧进行训练。

备注

边界案例：arXiv v1 2026-01-05(v2 2026-02-13)，但仓库创建于2025-09-18(聚合站，二手)，代码·权重可能早于2026年。合成325M行未出现在核验读取中。HF更新检查点(新增人类视频)RoboTwin 2.0 Easy 89.40%·Hard 89.64%，协议不同。训练总量以帧为单位，故数据时间(h)留空。参数(B)为大变体。

核验

已确认