- 类别
- VLA 模型
- 开放程度
- 开源
- 发布时间
- 2026 年 2 月
- 开源协议
- Apache-2.0
- 发布方所在地
- 中国
项目简介
在视觉-语言-动作模型中引入潜在世界模型的训练方法。以 Qwen3-VL-2B 为视觉语言底座、V-JEPA 2 为视频编码器,训练时在潜在空间预测未来画面特征,因此既能用机器人数据,也能用没有动作标注的人类视频学习。代码基于 starVLA,支持 LeRobot 格式的自定义数据,提供 LIBERO、LIBERO-Plus、SimplerEnv 的评测脚本和权重。
- 规模
- 基于 Qwen3-VL-2B 视觉语言模型和 V-JEPA 2 ViT-L 视频编码器
适配机器人
- WidowX
- Google Robot
- Franka Research 3