VLA 图库 / 模型列表 / 自回归与潜在动作VLA

VLA-0

NVIDIA · 2025-10

VLA自回归与潜在动作VLA3B离散token

不改变VLM结构和词表，让模型以普通文本数字输出动作的设计。

论文

VLA-0: Building State-of-the-Art VLAs with Zero ModificationarXiv 2510.13054

概述

分类

自回归与潜在动作VLA

类型

VLA

发布

2025-10

机构

NVIDIA

权重公开

是

参数

3B

架构

主干LLM

Qwen2.5-3B · Qwen2.5-VL-3B配置

视觉编码器

Qwen2.5-VL ViT

动作头

整数文本动作 (无动作头) (离散token)

动作块

多步 + 集成

控制频率

未公开

架构原文摘要

未经修改的Qwen2.5-VL-3B；以整数文本(例：0–1000)输出动作，多步预测 + 跨时刻集成，无词表修改·无动作头

训练

预训练加速器

不适用(无机器人预训练)

预训练时长

不适用

预训练步数·批量

不适用

GPU·TPU-小时

未公开

微调

A100 8张约32 h，64 epochs，batch 192，lr 5e-6

数据类型

仿真·合成 + 真实机器人遥操作

数据规模

LIBERO演示;真实SO-100演示100条

主要数据集

LIBERO

任务·评估

LIBERO平均94.7%;真实SO-100 4项任务(相对SmolVLA +12.5%p)

机器人

SO-100，LIBERO仿真

推理

推理设备·速度

RTX 5090台式机4 Hz(README: 用TensorRT-LLM可达6 Hz)

推理显存

未公开

权重 bf16（计算）

6 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（SO-100机械臂·LIBERO）

备注

核心特点

不改变VLM结构和词表，让模型以普通文本数字输出动作的设计。无需大规模机器人预训练，报告LIBERO 94.7%。

备注

机器人训练全部为微调1阶段（A100 8张 × 约 32 h，折算(约) 256 A100-小时）。基础模型许可证为Qwen Research License。

核验

已确认