- 类别
- VLA 模型
- 开放程度
- 开源
- 发布时间
- 2025 年 10 月
- 开源协议
- MIT
- 发布方所在地
- 中国
项目简介
微软亚洲研究院用真实人类活动视频预训练的操作 VLA 模型。把人手视为灵巧末端执行器,从 Ego4D、EPIC、EgoExo4D、SSv2 等没有标注的第一视角视频中自动切分出带语言描述和 3D 手部动作的片段,以 PaliGemma2 为底座预训练;输入第一视角图像、语言指令和手部状态,输出手腕位姿与手指关节动作。可用少量遥操作数据在机械臂加灵巧手上微调,代码、模型和数据集均已开源。
- 规模
- 3B 参数(基于 PaliGemma2),预训练数据超过 100 万段人类操作片段
适配机器人
- Realman
- XHand