Open Source Robotics

Una raccolta curata di progetti, strumenti e software di robotica open source di alta qualità per la comunità della robotica.

VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Model

Autori: Yihao Wang, Pengxiang Ding, Lingxiao Li, Can Cui, Zirui Ge, Xinyang Tong, Wenxuan Song, Han Zhao, Wei Zhao, Pengxu Hou, Siteng Huang, Yifan Tang, Wenhui Wang, Ru Zhang, Jianyi Liu, Donglin Wang · AAAI 2026

Licenze

  • Open access
  • Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; l'immagine è riportata citando la sua fonte.

In breve

Un modulo di policy Bridge Attention permette a un VLA da 0,5B di parametri di ottenere risultati di livello stato dell'arte senza preaddestramento su dati robotici, addestrato in circa 8 ore su una sola GPU consumer.

Perché è importante

Le capacità dei VLA sono state vincolate dalla potenza di calcolo: i laboratori con budget da data center potevano preaddestrare grandi backbone su dati robotici, tutti gli altri no. Mostrando che un collegamento accurato tra percezione e azione può sostituire la scala ottenuta con la forza bruta, VLA-Adapter cambia chi può costruire e studiare i modelli VLA.

Problema

I modelli VLA più forti hanno richiesto il preaddestramento su dati robotici di grandi backbone visione-linguaggio, un costo che mette la ricerca e l'impiego dei VLA fuori dalle possibilità della maggior parte dei laboratori e degli hobbisti.

Soluzione proposta

Analizzare in modo sistematico quali condizioni visione-linguaggio contino davvero per la generazione delle azioni, poi iniettare quelle ottimali tramite un modulo di policy leggero Bridge Attention, permettendo a un backbone da 0,5B senza preaddestramento robotico di svolgere il lavoro di modelli molto più grandi.

Idee chiave

  • Non tutte le condizioni visione-linguaggio si equivalgono: un'analisi sistematica mostra quali rappresentazioni contano per collegare la percezione all'azione
  • Un piccolo modulo di policy con Bridge Attention può sostituire il preaddestramento su larga scala con dati robotici
  • Un backbone da 0,5B basta per prestazioni di livello stato dell'arte quando il collegamento è quello giusto
  • L'inferenza veloce arriva come beneficio collaterale del backbone minuscolo

Risultati principali

  • Risultati di livello stato dell'arte su benchmark robotici simulati e reali con un backbone da 0,5B di parametri
  • La velocità di inferenza VLA più alta riportata al momento della pubblicazione
  • Addestramento completo in circa 8 ore su una sola GPU di fascia consumer, senza preaddestramento su dati robotici

Limiti

  • Valutazione su scala da benchmark (suite di simulazione più compiti con robot di laboratorio): la generalizzazione a lungo orizzonte e in un mondo aperto oltre i benchmark resta da dimostrare
  • Un backbone minuscolo può limitare l'ampiezza semantica che i VLA basati su VLM più grandi conservano dal preaddestramento su scala web

Impatto sul settore

Addestrare un VLA competitivo in 8 ore su una sola GPU consumer sposta la sperimentazione sui VLA dai budget da data center ai singoli ricercatori e maker, con una rilevanza diretta per i bracci economici ad hardware aperto catalogati da questa piattaforma.

Abstract

I modelli Vision-Language-Action (VLA) colmano tipicamente il divario tra spazio percettivo e spazio delle azioni preaddestrando su dati robotici un modello Vision-Language (VLM) su larga scala. Sebbene questo approccio migliori molto le prestazioni, comporta anche costi di addestramento significativi. In questo articolo studiamo come collegare efficacemente le rappresentazioni visione-linguaggio (VL) all'azione (A). Introduciamo VLA-Adapter, un nuovo paradigma pensato per ridurre la dipendenza dei modelli VLA da VLM su larga scala e da un preaddestramento esteso. A tal fine, analizziamo prima in modo sistematico l'efficacia di varie condizioni VL e presentiamo risultati chiave su quali condizioni siano essenziali per collegare spazio percettivo e spazio delle azioni. Sulla base di queste osservazioni, proponiamo un modulo di policy leggero con Bridge Attention, che inietta autonomamente la condizione ottimale nello spazio delle azioni. In questo modo il nostro metodo ottiene prestazioni elevate usando solo un backbone da 0,5B di parametri, senza alcun preaddestramento su dati robotici. Estesi esperimenti su benchmark robotici sia simulati sia reali dimostrano che VLA-Adapter non solo raggiunge prestazioni di livello stato dell'arte, ma offre anche la velocità di inferenza più alta finora riportata. Inoltre, grazie al paradigma di collegamento avanzato proposto, VLA-Adapter consente di addestrare un potente modello VLA in sole 8 ore su una sola GPU di fascia consumer, abbassando notevolmente la barriera all'impiego del modello VLA.

Link

  • arXiv 2509.09372: https://arxiv.org/abs/2509.09372
  • PDF: https://arxiv.org/pdf/2509.09372
  • Codice: https://github.com/OpenHelix-Team/VLA-Adapter
  • Pagina del progetto: https://vla-adapter.github.io/

Questo sito richiede JavaScript. Attiva JavaScript per esplorare i nostri progetti di robotica open source.