SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics
作者: 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
授權條款
依 arXiv 的授權條款,以下內容僅依據摘要撰寫。
為何重要
它讓視覺-語言-動作機器人技術更平價:模型只需一張 GPU 即可訓練,可在消費級硬體或 CPU 上執行,效能與大 10 倍的模型相當。程式碼、模型與訓練資料皆已公開。
提出的方法
SmolVLA,一款為平價機器人技術設計的精簡視覺-語言-動作模型,並採用非同步推論方法。
摘要
以大型多模態資料集訓練的視覺語言模型,為機器人應用提供了穩固的基礎。近期的方法將這些模型調整為視覺-語言-動作(VLA)系統,實現以自然語言驅動的控制。然而,現有系統通常包含數十億個參數,帶來高昂的訓練與部署成本。這項工作提出 SmolVLA,一個為平價機器人學設計的精簡高效系統,大幅降低訓練與推論成本,同時保有具競爭力的表現。模型可在單張 GPU 上訓練,並部署在消費級硬體或 CPU 上。非同步推論方法將感知與動作預測從執行中解耦,搭配分塊動作生成,實現更高的控制頻率。儘管架構精簡,SmolVLA 的表現仍可與大 10 倍的 VLA 相比。我們在模擬與真實世界的機器人基準測試上評估這個系統,並公開釋出程式碼、模型與訓練資料。
連結
- arXiv 2506.01844: https://arxiv.org/abs/2506.01844
- PDF: https://arxiv.org/pdf/2506.01844.pdf
- 程式碼: https://github.com/huggingface/lerobot
- 專案頁面: https://huggingface.co/blog/smolvla