SmolVLA

SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics (Hugging Face)常用

Hugging Face 推出的约 4.5 亿参数开源小 VLA，消费级设备就能训练和运行。

SmolVLA 是 Hugging Face 的 LeRobot 团队 2025 年 6 月发布的开源视觉-语言-动作模型，约 4.5 亿参数。它以小型视觉语言模型 SmolVLM2 为骨干，后接约 1 亿参数、用流匹配训练的动作专家；为省算力，每帧图像只保留 64 个视觉 token，并跳过部分网络层。预训练只用社区上传的 487 个 LeRobot 数据集、约 1000 万帧，比常见 VLA 的数据少一个数量级。它还支持异步推理：机器人执行当前动作块时就开始算下一块，官方称任务完成快约 30%。在 LIBERO、Meta-World 和 SO-100/SO-101 真机上，它的表现接近或超过更大的模型，能在消费级显卡甚至 MacBook 上跑。