VLA 图库 / 模型列表 / 产业界模型

RynnVLA-001

Alibaba DAMO Academy · 2025-08

VLA产业界模型7B潜在动作

三阶段训练：先用12M个ego-centric人类操作视频预训练视频生成，再进行轨迹感知视频建模和VLA微调。

论文

RynnVLA-001: Using Human Demonstrations to Improve Robot ManipulationarXiv 2509.15212

概述

分类

产业界模型

类型

VLA

发布

2025-08

机构

Alibaba DAMO Academy

权重公开

是

参数

7B(公开模型名RynnVLA-001-7B-Base·7B-Trajectory；论文总量未公开)

架构

主干LLM

Chameleon 7B (视频扩展)

视觉编码器

Chameleon图像分词器

动作头

ActionVAE潜在动作 (潜在动作)

动作块

未公开

控制频率

未公开

架构原文摘要

将Chameleon 7B图像生成模型扩展至视频(README初始权重'Chemeleon-7B')；用ActionVAE将动作序列压缩为潜在嵌入

训练

预训练加速器

未公开（仅ActionVAE为8 GPUs，型号未标注）

预训练时长

未公开

预训练步数·批量

ActionVAE 300,000 iterations, batch 16×8(GPUs)

GPU·TPU-小时

未公开

微调

未公开

数据类型

人类视频 + 机器人视频 + 动作捕捉(EgoDex上半身关节轨迹) + 真实机器人演示(SO-100)

数据规模

ego-centric人类操作视频12M + 机器人操作视频244K；微调248·249·301 demos

主要数据集

自有ego-centric视频，EgoDex(Apple Vision Pro)，SO-100自有演示

任务·评估

SO-100 3项任务(积木pick-and-place，草莓，插笔)平均90.6% vs π0 70.4% vs GR00T N1.5 55.6%(用相同数据微调)

机器人

LeRobot SO-100单臂(3台)

推理

推理设备·速度

未公开

推理显存

未公开

权重 bf16（计算）

14 GB

运行位置

未公开

强化学习与底盘

强化学习

未使用 · 视频生成预训练 + 模仿学习

底盘控制

固定 · 无底盘控制（SO-100单臂）

备注

核心特点

三阶段训练：先用12M个ego-centric人类操作视频预训练视频生成，再进行轨迹感知视频建模和VLA微调。SO-100 3项任务平均90.6%，超过π0(70.4%)和GR00T N1.5(55.6%)。

备注

权重·代码于2025-08-08公开(Apache 2.0)，技术报告2025-09-18。参数(B)以公开模型名为准。

核验

已确认