Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

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

作者: 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

授權條款

  • 開放取用
  • 論文: CC BY 4.0

以下內容皆依據論文全文,依其 CC BY 4.0 授權條款使用;圖片已標示來源。

一句話摘要

一個 Bridge Attention 策略模組,讓 0.5B 參數的 VLA 無需機器人資料預訓練就能達到最先進水準的結果,在單張消費級 GPU 上約 8 小時完成訓練。

為何重要

VLA 的能力一直受運算資源把關:擁有資料中心預算的實驗室能在機器人資料上預訓練大型骨幹網路,其他人則不能。VLA-Adapter 證明,細心設計的感知到動作橋接可以取代蠻力的規模,從根本上改變了誰能夠打造與研究 VLA 模型。

問題

強大的 VLA 模型一直需要在機器人資料上預訓練大型視覺語言骨幹網路,這樣的成本讓多數實驗室與愛好者無法投入 VLA 研究與部署。

提出的方法

系統性地分析哪些視覺語言條件真正影響動作生成,再透過一個輕量的 Bridge Attention 策略模組注入最佳條件,讓一個未經機器人預訓練的 0.5B 骨幹網路做到大得多的模型才能做的事。

關鍵見解

  • 視覺語言條件並非都同等重要:系統性分析顯示了哪些表徵對橋接感知與動作有影響
  • 一個帶有 Bridge Attention 的小型策略模組,可以取代大規模的機器人資料預訓練
  • 只要橋接做得對,0.5B 骨幹網路就足以達到最先進水準的表現
  • 快速推論是小型骨幹網路附帶的好處

主要結果

  • 以 0.5B 參數骨幹網路,在模擬與真實世界機器人基準測試上達到最先進水準的結果
  • 發表時報告中最快的 VLA 推論速度
  • 在單張消費級 GPU 上約 8 小時完成完整訓練,無需機器人資料預訓練

限制

  • 基準測試規模的評估(模擬套件加上實驗室機器人任務):超出基準測試的長時程與開放世界泛化能力仍有待證明
  • 小型骨幹網路可能限制語意廣度,而以較大 VLM 為基礎的 VLA 能從網路規模預訓練中保留這種廣度

對領域的影響

在單張消費級 GPU 上 8 小時就能訓練出有競爭力的 VLA,讓 VLA 實驗從資料中心預算走到個別研究人員與自造者手中,與本平台收錄的平價開放硬體手臂直接相關。

摘要

視覺語言動作(VLA)模型通常透過在機器人資料上預訓練一個大規模視覺語言模型(VLM),來填補感知空間與動作空間之間的落差。這種做法雖然大幅提升表現,卻也帶來可觀的訓練成本。在本文中,我們研究如何有效地將視覺語言(VL)表徵橋接到動作(A)。我們提出 VLA-Adapter,一種新穎的範式,旨在降低 VLA 模型對大規模 VLM 與大量預訓練的依賴。為此,我們首先系統性地分析各種 VL 條件的有效性,並提出關於哪些條件對橋接感知與動作空間不可或缺的關鍵發現。基於這些洞見,我們提出一個帶有 Bridge Attention 的輕量 Policy 模組,能自主地將最佳條件注入動作空間。如此一來,我們的方法只用 0.5B 參數的骨幹網路、無需任何機器人資料預訓練,就能達到高表現。在模擬與真實世界機器人基準測試上的大量實驗顯示,VLA-Adapter 不僅達到最先進水準的表現,也提供迄今報告中最快的推論速度。此外,得益於所提出的進階橋接範式,VLA-Adapter 讓人只需在單張消費級 GPU 上花 8 小時,就能訓練出強大的 VLA 模型,大幅降低部署 VLA 模型的門檻。

連結

  • arXiv 2509.09372: https://arxiv.org/abs/2509.09372
  • PDF: https://arxiv.org/pdf/2509.09372
  • 程式碼: https://github.com/OpenHelix-Team/VLA-Adapter
  • 專案頁面: https://vla-adapter.github.io/

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。