VLA 图库 / 模型列表 / Flow·Diffusion VLA
WALL-OSS
X Square Robot · 2025-09
VLAFlow·Diffusion VLA4B混合
采用以单一流输出推理(CoT)·子任务规划·连续动作的Uni-CoT，并将动作用与VL用FFN分离。
论文
Igniting VLMs toward the Embodied SpacearXiv 2509.11766
概述
- 分类
- Flow·Diffusion VLA
- 类型
- VLA
- 发布
- 2025-09
- 机构
- X Square Robot
- 权重公开
- 是
- 参数
- 4B(HF卡片)；主干Qwen2.5-VL-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
- FAST token + flow matching (FFN分离MoE) (混合)
- 动作块
- 未公开
- 控制频率
- 未公开
- 架构原文摘要
- Qwen2.5-VL-3B + Action FFN·VL FFN分离的MoE型;Uni-CoT(指令→推理→子任务规划→连续动作);Inspiration阶段FAST离散token,Integration阶段flow matching连续动作(第1阶段冻结VLM·仅训练flow头,第2阶段联合);动作块·频率未公开
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
- 未公开
- GPU·TPU-小时
- 未公开
- 微调
- 未公开；按任务回合 Place-by-Color 500，Block-Spell 1600，Set-Table 1500，Tidy-Bedroom 1000，Collect-Waste 900，Pick-Place-Cup 500；LeRobot指南峰值VRAM约 24~40 GB，A100 40GB+（二手）
- 数据类型
- 真实机器人遥操作 + 网络视觉-语言
- 数据规模
- 超过10,000 h(Sec. 4)/'数万小时'(Sec. 4.4)
- 主要数据集
- 自行采集 + AgiBotWorld，DROID，BC-Z，RH20T，Furniture_bench，Fractal，Bridge v2；CapsFusion，Cambrian，PixMo，RoboPoint，Robo2VLM，COCO，VQAv2
- 任务·评估
- Embodied VQA：Object Grounding 91.6%，Scene Captioning 87.6%，Action Planning 69.0%(基础模型46.1/57.7/59.8)；真机6个任务(Set-Table·Tidy-Bedroom等) task progress seen 85%·novel 61%
- 机器人
- 桌面机械臂，移动支架，轮式双臂，轮式人形机器人
推理
- 推理设备·速度
- 未公开
- 推理显存
- 未公开
- 权重 bf16（计算）
- 8 GB
- 运行位置
- 未公开
强化学习与底盘
- 强化学习
- 未使用 · 推理·FAST·flow联合监督学习
- 底盘控制
- 轮式 (直接输出底盘速度/位姿) · 在Collect-waste任务中模型移动到垃圾桶；底盘指令格式论文未注明(DoF模板掩码)
备注
- 核心特点
- 采用以单一流输出推理(CoT)·子任务规划·连续动作的Uni-CoT，并将动作用与VL用FFN分离。报告实机6项任务seen进度85%，高于π0·Diffusion Policy。
- 备注
- 论文中数据规模在超过10,000 h与数万小时之间不一致（已核对原文）。训练算力论文·README均未公开。权重 wall-oss-flow, wall-oss-fast。
- 核验
- 已确认