骨干网络

模型中负责从原始输入提取通用特征的主体网络，后面再接各种任务头。

骨干网络原是计算机视觉里的说法，例如 2017 年的 Mask R-CNN 论文就把网络分成两部分：对整张图提取特征的卷积骨干（如 ResNet-50），和做分类、边框回归、掩码预测的网络头。骨干通常先在大规模数据上预训练，再被不同任务复用，换一个更强的骨干往往整体提升效果。到了具身模型，骨干多是预训练好的视觉语言模型：OpenVLA 用 Llama 2 加 DINOv2、SigLIP 视觉编码器，π0 用 PaliGemma，GR00T N1 用英伟达 Eagle-2。骨干提供语义知识，动作头或动作专家把特征变成动作；微调时是否冻结骨干，是常见的设计取舍。

例子GR00T N1 的 22 亿参数里有 13.4 亿属于 Eagle-2 视觉语言骨干；它取骨干第 12 层而不是最后一层的特征交给动作模块，论文称这样推理更快，策略成功率也更高。

也叫

主干网络、Backbone、主干

相关

视觉编码器、视觉语言模型、动作头、冻结骨干网络、预训练、残差网络

来源

Mask R-CNN (arXiv 1703.06870)
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots (arXiv 2503.14734)
OpenVLA: An Open-Source Vision-Language-Action Model (arXiv 2406.09246)