VLA 模型开源

VITRA

微软亚洲研究院、清华大学中国

GitHub 仓库 microsoft/VITRA

又称 VITRA-VLA-3B

返回项目库
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

获取方式

相关概念

数据来源

本页信息均整理自以下公开资料。

3 条来源核验于 2026-10-01

星标、下载量等指标定期自动更新。

VITRA:VLA 模型介绍、GitHub 仓库与开源协议 | 具身集