SmolVLA
Hugging Face美国
面向机器人操作的轻量视觉语言动作模型,接收图像、机器人状态和语言指令,通过动作专家生成连续控制动作。基于 LeRobot 社区数据训练,提供预训练权重及微调、推理实现,可作为低成本…
GR00T N1
NVIDIA美国
GR00T N 系列是 NVIDIA 面向通用人形机器人的开源 VLA 基础模型,仓库包含 N1、N1.5、N1.6 和 N1.7。模型由视觉语言骨干和流匹配扩散 Transfor…
π0
Physical Intelligence美国
π0 系列是 Physical Intelligence 的通用机器人 VLA 模型,openpi 仓库提供官方代码和开源权重:基于流匹配的 π0、基于 FAST 动作分词器的自回…
OpenVLA
Stanford University、UC Berkeley 等美国
斯坦福大学等发布的开源视觉-语言-动作模型,输入单张相机图像和语言指令,以离散 token 形式输出 7 自由度末端动作。模型基于 Prismatic VLM(DINOv2 与 S…
Gemini Robotics
Google DeepMind英国
Google DeepMind 基于 Gemini 的机器人模型系列:视觉-语言-动作模型 Gemini Robotics 由图像和语言指令输出机器人动作;具身推理模型 Gemin…
Magma
Microsoft Research、University of Maryland 等美国
Magma 是微软研究院的多模态智能体基础模型,同一模型能理解图像和视频,也能为界面导航和机器人操作生成视觉规划与动作。预训练使用多模态理解、UI 导航和 OXE 机器人数据,并借…
Helix
Figure AI美国
Figure AI 为自家人形机器人开发的视觉-语言-动作模型,分两部分:S2 是基于开源权重视觉语言模型的 7B 模型,以 7–9 Hz 理解画面和语言指令,输出潜向量;S1 是…
RDT
清华大学中国
RDT 是清华大学 TSAIL 团队的机器人扩散基础模型系列。RDT-1B 是面向双臂操作的扩散 Transformer,根据语言指令和最多三路图像预测未来 64 步动作,统一动作…
GO-1
智元机器人、OpenDriveLab中国
智元机器人的通用具身基座模型,采用视觉-语言-隐动作(ViLLA)架构:多模态大模型理解图像和指令,隐式规划器预测隐动作,动作专家生成机器人动作,在智元的 AgiBot World…
Ψ₀
University of Southern California美国
Ψ₀ 是面向人形机器人灵巧移动操作的开源 VLA 模型,先在人类第一视角视频(EgoDex)上学习任务语义和视觉表征,再用少量真机遥操作数据后训练。结构分三层:Qwen3-VL-2…
DreamZero
NVIDIA美国
NVIDIA GEAR 实验室的世界-动作模型,在同一个模型里联合预测未来视频和机器人动作,直接作为策略控制机器人。以 Wan2.1-I2V-14B 视频生成模型为底座,输入三路相…
LingBot-VLA
蚂蚁灵波中国
LingBot-VLA 是蚂蚁灵波的 VLA 基础模型系列。1.0 版以 Qwen2.5-VL-3B-Instruct 为视觉语言骨干,在 9 种双臂机器人构型的真机数据上预训练,…
GigaBrain-0
极佳科技中国
GigaBrain-0 是极佳科技(GigaAI)的具身 VLA 基础模型系列,用世界模型生成数据扩充训练,已开源 0、0.1 和 0.7 版权重。GigaBrain-0.7 采用…
VLA-Adapter
OpenHelix Team、北京邮电大学 等中国
VLA-Adapter 是一种小规模 VLA 模型范式,研究如何把视觉语言模型的表征高效桥接到动作空间。默认用 Prismatic 架构、以 Qwen2.5-0.5B 为语言骨干的…
LingBot-VA
蚂蚁灵波中国
蚂蚁灵波的因果视频-动作世界模型,用自回归扩散框架在同一条交错序列里同时预测未来画面和机器人动作,直接用于机器人控制。采用双流混合 Transformer 结构,视觉与动作 tok…
FLUX 3 Action
Black Forest Labs德国
Black Forest Labs 发布的开放权重世界-动作模型(WAM)。输入相机画面、机器人状态和文本指令,将下一段动作块与未来视频帧联合去噪生成,直接输出关节目标控制机器人。…
DM0
原力灵机中国
DM0 是原力灵机(Dexmal)的具身原生 VLA 模型系列,OpenDM 仓库开源了新一代 DM0.5 的权重、训练推理脚本和评测流程。DM0.5 针对开放式指令、长程任务、动…
Octo
UC Berkeley、Stanford University 等美国
Octo 是开源的通用机器人策略模型,采用 Transformer 主干加扩散动作头,在 Open X-Embodiment 的 80 万条轨迹上预训练。支持多路相机输入,可用语言…
RT-2
Google DeepMind英国
Google DeepMind 提出的视觉-语言-动作模型。把机器人动作写成文本 token,在网络视觉语言数据和机器人轨迹上联合微调预训练视觉语言模型,让同一个模型既能回答视觉问…
UnifoLM-WMA
宇树科技中国
宇树科技 UnifoLM 系列中的世界模型-动作框架。核心是理解机器人与环境物理交互的视频世界模型,有两种用法:决策模式下接动作头,借助对未来交互的预测输出动作;仿真模式下作为交互…
RT-1
Google Research、Everyday Robots美国
RT-1 是 Google 的端到端机器人控制模型:用 FiLM 调制的 EfficientNet 编码图像和指令,经 TokenLearner 压缩后由 Transformer …
Fast-WAM
清华大学、星海图中国
清华大学交叉信息研究院与星海图研究「世界-动作模型是否需要在测试时想象未来」的工作。以 Wan2.2-5B 视频扩散模型为主干,加一个 1B 参数的动作专家,训练时同时学习视频预测…
WALL-OSS
自变量机器人中国
WALL-OSS 是自变量机器人开源的具身基础模型系列,以 Qwen2.5-VL 为底座扩展出动作分支,经大规模多模态预训练获得具身理解和操作能力。Wall-X 仓库提供训练推理代…
MolmoAct
Allen Institute for AI美国
Ai2 的开源动作推理模型系列。MolmoAct 基于 Qwen2.5-7B 和 SigLIP2,先输出深度感知 token 和图像上的末端轨迹,再输出机器人动作,中间推理可视化、…
OpenVLA-OFT
Stanford University美国
斯坦福大学提出的 VLA 优化微调方案,在 OpenVLA 基础上改用并行解码、动作分块、连续动作表示和 L1 回归目标,提高推理速度,并支持多视角图像与本体状态输入;用于 ALO…
GigaWorld-Policy
极佳科技中国
GigaWorld-Policy 是极佳科技(GigaAI)以动作为中心的世界-动作模型(WAM)机器人策略:训练时用未来画面变化做稠密监督,推理时只解码动作、不生成视频,以降低延…
Motus
清华大学、北京大学 等中国
清华大学等提出的统一隐动作世界模型。用混合 Transformer 结构整合理解、动作和视频生成三个专家,视频生成基于 Wan2.2-5B、理解部分基于 Qwen3-VL-2B,借…
RynnVLA
阿里巴巴达摩院中国
RynnVLA 是阿里巴巴达摩院的 VLA 模型系列。本仓库的 RynnVLA-002 由 WorldVLA 升级而来,是把 VLA 动作模型和世界模型统一起来的自回归动作世界模型…
GNM / ViNT / NoMaD
UC Berkeley美国
General Navigation Models 是 UC Berkeley 的移动机器人视觉导航基础模型家族,包括 GNM、ViNT 和基于扩散策略的 NoMaD。它们是以目标…
UniVLA
OpenDriveLab、香港大学中国香港
UniVLA 是基于任务中心潜在动作的通用 VLA 模型:先从跨本体机器人数据和人类视频(OpenX、Ego4D)中无监督提取任务相关的潜在动作,在与本体无关的统一动作空间中训练策…
InternVLA
上海人工智能实验室中国
上海人工智能实验室的视觉-语言-动作模型系列。InternVLA-M1 以 Qwen2.5-VL 为底座,先学空间定位等空间先验,再接 DiT 动作头输出动作;InternVLA-…
Being-H
智在无界中国
Being-H 是智在无界(BeingBeyond)以人为中心的具身基础模型系列,从大规模人类视频中学习操作先验。Being-H0 用人类视频做 VLA 预训练;旗舰 VLA Be…
DW05
原力灵机中国
原力灵机(Dexmal)面向具身决策的多模态世界模型,在一个框架里统一未来视频预测、动作生成和状态价值估计。输入语言、图像或视频、机器人类型、状态和动作,以 Wan 视频模型为主干…
VIMA
Stanford University、NVIDIA美国
面向桌面机器人操作的多模态提示模型,将文本与图像提示编码后,自回归预测机械臂动作。提供多个规模的预训练权重,配套 VIMA-Bench 研究视觉目标、操作约束和示范条件下的任务泛化…
Galaxea G0
星海图中国
Galaxea G0 是星海图开源的 VLA 模型系列,先后发布 G0-VLA、G0Plus、面向 R1 Pro 端侧部署的 G0Tiny 和最新的 G0.5。G0.5 是自回归 …
Cosmos Policy
NVIDIA、Stanford University美国
Cosmos Policy 是 NVIDIA 与斯坦福大学提出的机器人策略,把视频生成模型 Cosmos-Predict2-2B 微调为视觉运动控制策略。输入第三人称图像、腕部图像…
X-VLA
清华大学中国
X-VLA 是基于软提示(soft prompt)的跨本体 VLA 模型,为每种本体学习专属的可学习嵌入,引导统一的 Transformer 主干在异构机器人数据上做多域策略学习。…
Xiaomi-Robotics-1
小米中国
小米面向移动操作的视觉-语言-动作基础模型。以 Qwen3-VL-4B-Instruct 为底座,通过混合 Transformer 结构接入扩散 Transformer 动作模块;…
SpatialVLA
上海人工智能实验室、复旦大学 等中国
SpatialVLA 是强化空间理解的 VLA 模型,以 PaliGemma2 为骨干,用 Ego3D 位置编码把三维空间信息注入视觉特征,用自适应动作网格把连续动作离散成空间动作…
NaVILA
University of California San Diego、University of Southern California 等美国
NaVILA 是足式机器人视觉语言导航的两层框架:上层 VLA 根据视频帧和语言指令生成用自然语言表达的中层导航指令,下层实时运动控制策略执行并避障。VLA 部分基于 NVILA(…
Spirit-v1.5
千寻智能中国
Spirit-v1.5 是千寻智能发布的机器人基础模型(VLA),结构为 Qwen3-VL 视觉语言骨干加 DiT 动作头。仓库提供官方模型实现、推理代码、基础模型检查点,以及针对…
UnifoLM-VLA
宇树科技中国
宇树科技 UnifoLM 系列中的视觉-语言-动作模型,面向人形机器人通用操作。在视觉语言模型的基础上用机器人操作数据继续预训练,加强文本指令与 2D / 3D 空间信息的对齐和几…
VITRA
微软亚洲研究院、清华大学中国
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…
GR-3
ByteDance Seed中国
字节跳动 Seed 的视觉-语言-动作模型,用于双臂移动机器人。以 Qwen2.5-VL-3B-Instruct 为底座,配合动作扩散 Transformer 用流匹配生成动作块,…
Qwen-VLA
Qwen Team中国
Qwen-VLA 是阿里巴巴 Qwen 团队的通用视觉-语言-动作模型,由 Qwen3.5-4B 视觉语言骨干和 1.15B 参数的 DiT 流匹配动作解码器组成。它把操作、导航、…
TurboVLA
华中科技大学、华为中国
华中科技大学与华为提出的轻量视觉-语言-动作模型。不经过大语言模型,而是分别用 DINOv3 编码图像、用 BERT 编码语言指令,经轻量的双向视觉-语言交互模块融合后,由紧凑的解…
VLA-JEPA
中国科学技术大学、中关村学院 等中国
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…
LAPA
University of Washington、KAIST 等美国
从没有动作标注的视频中预训练视觉-语言-动作模型的方法。先训练隐动作量化模型,从相邻帧中学出离散隐动作;再以 Large World Model(LWM)为底座,让模型根据图像和语…
