SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics
Autori: Mustafa Shukor, Dana Aubakirova, Francesco Capuano, Pepijn Kooijmans, Steven Palma, Adil Zouitine, Michel Aractingi, Caroline Pascal, Martino Russi, Andres Marafioti, Simon Alibert, Matthieu Cord, Thomas Wolf, Remi Cadene · 2025
Licenze
- Open access
- Articolo: arXiv.org perpetual, non-exclusive license 1.0
In base alla licenza di arXiv, tutto ciò che segue è scritto solo a partire dall'abstract.
Perché è importante
Rende più accessibile la robotica Vision-Language-Action: il modello si addestra su una sola GPU, gira su hardware consumer o su CPU e ottiene prestazioni paragonabili a modelli 10 volte più grandi. Codice, modelli e dati di addestramento sono pubblici.
Soluzione proposta
SmolVLA, un modello Vision-Language-Action compatto progettato per una robotica accessibile, con un approccio di inferenza asincrona.
Abstract
I modelli visione-linguaggio addestrati su grandi dataset multimodali forniscono basi solide per le applicazioni robotiche. Metodi recenti adattano questi modelli in sistemi Vision-Language-Action che consentono un controllo guidato dal linguaggio naturale. Tuttavia, i sistemi esistenti contengono di solito miliardi di parametri, con alti costi di addestramento e di impiego. Questo lavoro presenta SmolVLA, un sistema compatto ed efficiente pensato per una robotica accessibile, che riduce drasticamente i costi sia di addestramento sia di inferenza mantenendo prestazioni competitive. Il modello si addestra su una singola GPU e si impiega su hardware consumer o su CPU. Un approccio di inferenza asincrona disaccoppia la percezione e la predizione delle azioni dall'esecuzione, consentendo frequenze di controllo più alte con la generazione di azioni a blocchi. Nonostante l'architettura compatta, SmolVLA ottiene prestazioni paragonabili a VLA 10 volte più grandi. Valutiamo il sistema su benchmark robotici simulati e reali e rilasciamo pubblicamente codice, modelli e dati di addestramento.
Link
- arXiv 2506.01844: https://arxiv.org/abs/2506.01844
- PDF: https://arxiv.org/pdf/2506.01844.pdf
- Codice: https://github.com/huggingface/lerobot
- Pagina del progetto: https://huggingface.co/blog/smolvla