VLA 图库 / 模型列表 / 产业界模型

TRI LBM 1.0

Toyota Research Institute · 2025-07

VLA产业界模型未公开（仅公开DiT 8块、嵌入 768）diffusion

不使用LLM·VLM、以CLIP语言为条件的diffusion transformer策略。

论文

A Careful Examination of Large Behavior Models for Multitask Dexterous ManipulationarXiv 2507.05331

概述

分类

产业界模型

类型

VLA

发布

2025-07

机构

Toyota Research Institute

权重公开

未核实

参数

未公开（仅公开DiT 8块、嵌入 768）

架构

主干LLM

无 (CLIP文本编码器)

视觉编码器

CLIP ViT-B/16

动作头

AdaLN DiT 8块 (扩散) (diffusion)

动作块

16 (执行8)

控制频率

10 Hz

架构原文摘要

CLIP ViT-B/16图像CLS + CLIP文本编码器 → AdaLN条件Diffusion Transformer 8块(嵌入768)；预测16步×20维动作，执行8步后重新计算

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

48k steps，global batch 2560，lr 3e-4(恒定)

GPU·TPU-小时

未公开

微调

GPU·时间未公开；真机任务30k steps，仿真任务10k steps，global batch 320，lr 2e-5

数据类型

真实机器人遥操作 + 仿真遥操作 + UMI手持演示 + 公开机器人数据(OXE)

数据规模

约1,700 h(摘要；§III为~1695 h)：TRI-Ramen 545 h·532 tasks·64,262 demos(Real 468 h·362 tasks·46,063 / Sim 45 h·41 tasks·7,348 / UMI 32 h·129 tasks·10,851) + OXE-Ramen约1,150 h

主要数据集

TRI-Ramen(Real·Sim·UMI，内部)，OXE-Ramen(Open X-Embodiment精选)

任务·评估

真实机器人1,800次rollouts(每任务·策略·条件50次)，仿真47,000+次rollouts(每条件200次)；仿真中所需数据不到从零训练的30%；真实机器人上以15%数据在统计上超过全量训练的单任务baseline

机器人

双臂Franka FR3 + 平行夹爪(finray型手指)，工作站9台，相机最多6台；仿真

推理

推理设备·速度

策略循环10Hz(预测16步中执行8步后重新计算)；硬件·延迟未公开

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

未公开

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（固定双臂Franka工作站）

备注

核心特点

不使用LLM·VLM、以CLIP语言为条件的diffusion transformer策略。用贝叶斯检验和CLD评估了真机1,800次·仿真47,000次以上rollouts。

备注

仿真评估任务数各出处不同：论文为16 seen + 8 unseen，项目页为16 seen + 5 unseen(含实机共29项任务)。公开的是仿真基准lbm_eval(49 tasks)而非策略权重，策略权重是否公开核实时无法确认。项目页表述为'3-5× less data'。论文·页面中无GPU相关表述。

核验

已确认