论文页面 - SmolVLA：面向低成本高效机器人的视觉-语言-动作模型

来源：https://huggingface.co/papers/2506.01844

摘要

SmolVLA 是一个紧凑、高效的视觉-语言-动作模型，能够在降低计算成本的同时实现具有竞争力的性能，并可部署在消费级硬件上。

在大规模多模态数据集上预训练的视觉-语言模型 (https://huggingface.co/papers?q=Vision-language%20models) 编码了丰富的视觉和语言知识，为机器人技术提供了坚实基础。与其从头训练机器人策略 (https://huggingface.co/papers?q=robotic%20policies)，近期的方法将 VLM 适配为视觉-语言-动作（VLA）模型，从而实现自然语言驱动的感知 (https://huggingface.co/papers?q=natural%20language-driven%20perception) 和控制。然而，现有的 VLA 模型通常规模庞大——往往拥有数十亿参数——导致训练成本高昂且实际部署受限。此外，它们依赖于学术和工业数据集，忽视了来自低成本机器人平台的社区收集数据日益增长的可用性。在这项工作中，我们提出了 SmolVLA，一个小型、高效且社区驱动的 VLA 模型，它大幅降低了训练和推理成本，同时保持了具有竞争力的性能。SmolVLA 被设计为可在单个 GPU 上训练，并部署在消费级 GPU 甚至 CPU 上。为了进一步提升响应速度，我们引入了一个异步推理 (https://huggingface.co/papers?q=asynchronous%20inference) 栈，将感知和动作预测与动作执行 (https://huggingface.co/papers?q=action%20execution) 解耦，从而通过分块动作生成实现更高的控制频率。尽管体积紧凑，SmolVLA 仍达到了与体积大 10 倍的 VLA 模型相当的性能。我们在模拟和真实世界的机器人基准上对 SmolVLA 进行了评估，并发布了所有代码、预训练模型和训练数据。

查看 arXiv 页面 (https://arxiv.org/abs/2506.01844)查看 PDF (https://arxiv.org/pdf/2506.01844)项目页面 (https://huggingface.co/blog/smolvla)GitHub26k (https://github.com/huggingface/lerobot)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2506.01844)

在您的 agent 中获取本文：

hf papers read 2506\.01844

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型 1,000+

lerobot/smolvla_base 机器人 • 0.5B • 更新于 1月22日 • 40.8k • 402 (https://huggingface.co/lerobot/smolvla_base)

HuggingFaceVLA/smolvla_libero 机器人 • 0.6B • 更新于 2025年9月17日 • 21.4k • 15 (https://huggingface.co/HuggingFaceVLA/smolvla_libero)

jadechoghari/smolvla_metaworld 机器人 • 0.6B • 更新于 2025年10月5日 • 180 • 4 (https://huggingface.co/jadechoghari/smolvla_metaworld)

ezzzeee/my_smolvla 机器人 • 0.5B • 更新于 2025年6月25日 • 4 • 3 (https://huggingface.co/ezzzeee/my_smolvla)

浏览引用该论文的 1,000+ 个模型 (https://huggingface.co/models?other=arxiv:2506.01844)

引用该论文的数据集 11

lerobot/community_dataset_v3 更新于约 18 小时前 • 4.83k • 3 (https://huggingface.co/datasets/lerobot/community_dataset_v3)

HuggingFaceVLA/community_dataset_v1 Viewer • 更新于 2025年11月13日 • 44.4k • 2.69k • 6 (https://huggingface.co/datasets/HuggingFaceVLA/community_dataset_v1)

HuggingFaceVLA/community_dataset_v2 Viewer • 更新于 2025年11月13日 • 200 • 2.69k • 4 (https://huggingface.co/datasets/HuggingFaceVLA/community_dataset_v2)

HuggingFaceVLA/community_dataset_v3 Viewer • 更新于 2025年12月10日 • 12.5k • 1.96k • 24 (https://huggingface.co/datasets/HuggingFaceVLA/community_dataset_v3)

浏览引用该论文的 11 个数据集 (https://huggingface.co/datasets?other=arxiv:2506.01844)

引用该论文的 Space 10

浏览引用该论文的 10 个 Space (https://huggingface.co/spaces?arxivIds=2506.01844)

包含该论文的收藏集 32

浏览包含该论文的 32 个收藏集 (https://huggingface.co/collections?paper=2506.01844)