# 466模型生态拆解：VLA架构收敛至3B甜点区，132条真机适配为何困于Franka

> 原文链接：https://robotics.hellobike.com/explainers/embodied-model-ecosystem-by-the-numbers
> 频道：explainers | 更新日期：2026-10-23 | 标签：VLA架构, Flow Matching, 真机适配, 开源许可, 具身智能, LeRobot
> 核心摘要：本文基于站内466个具身模型与132条真机适配记录，深度拆解VLA架构从离散Token向3B级Flow Matching连续动作专家收敛的技术动因。分析显示，尽管Apache-2.0协议占比超60%，但真机验证严重偏科，Franka Research 3独占42%适配量。文章从显存带宽、控制频率与机构学差异视角，解释了为何7B模型在50Hz高频控制下失效，以

# 466模型生态拆解：VLA架构收敛至3B甜点区，132条真机适配为何困于Franka

::: quick
- **VLA架构收敛：** 254个VLA模型中，[π0 (openpi)](/models/pi0-openpi)等3.3B-3.6B参数规模成为主流，采用PaliGemma+Flow Matching架构，相比7B离散Token模型更易实现50Hz高频控制与22.5GB显存微调。
- **真机适配极化：** 132条适配记录中，[franka-research-3](/robots/franka-research-3)关联56个模型占比42%，而[Unitree G1](/robots/unitree-g1)与[AgileX Piper](/robots/agilex-piper)各仅18条，反映科研验证对标准臂的路径依赖及人形机器人数据匮乏。
- **开源许可红利：** Apache-2.0协议模型达288个（归一化后Top1），远超CC-BY-NC-SA-4.0（19个），为商业交付扫清法律障碍；但NVIDIA GR00T系列仍受限于Open Model License，早期接入需评估合规风险。
- **小模型高下载：** [smolvla_base](/models/lerobot-smolvla-base)以450M参数获15.5万次下载，证明消费级硬件部署需求旺盛；其Flow Matching动作头设计使其在单卡训练成本上显著优于7B级[OpenVLA](/models/openvla)。
:::

::: stance
本文所有数据均源自站内2026-10-23快照的466个模型卡、132条模型-机型适配记录及官方技术文档。文中关于显存占用（如22.5GB/72GB）、控制频率（50Hz/10Hz）及参数量（3.3B/7B）均为模型卡声明值或仓库实测配置，非理论推算。关于“工程坑点”的分析基于架构文档中的action_representation字段（flow_matching vs discrete_tokens）与硬件微架构支持列表推导。需注意，部分模型（如GR00T N1.7）标注为early_access阶段，其性能指标可能随版本迭代变化；未明确标注真机测试视频的模型，其泛化能力仅为理论声明。
:::

::: stats
- **254 / 466** VLA家族模型数量，占总数54.5%，确立视觉-语言-动作范式的主流地位
- **56 / 132** Franka Research 3关联模型数，占真机适配记录42.4%，呈现极端头部效应
- **3.3B** π0 (openpi)总参数量，由3B VLM与300M动作专家组成，定义当前VLA参数甜点区
- **22.5GB** π0微调显存需求，对比OpenVLA的72GB，降低3倍门槛使单卡微调成为可能
:::

## VLA架构收敛：从7B离散Token到3B Flow Matching的工程必然 {data-eyebrow="架构演进"}

在466个开源具身模型中，VLA家族以254个的数量占据绝对主导，但其内部架构正经历剧烈的代际切换。早期以[OpenVLA](/models/openvla)为代表的7B模型，采用Llama 2主干配合离散动作Token（每维256 bins），虽然语义理解强，但在工程落地时遭遇双重瓶颈：一是控制频率被锁死在10Hz，难以满足精密装配等高频任务；二是微调显存高达72GB，迫使开发者必须使用多卡A100集群。

相比之下，以[π0 (openpi)](/models/pi0-openpi)和[lerobot-pi05-base](/models/lerobot-pi05-base)为代表的新一代架构，将参数规模收敛至3.3B-3.6B区间，并引入Flow Matching连续动作专家。这种“大VLM+小动作头”的解耦设计带来了三重工程红利：

| 维度 | OpenVLA (7B) | π0 / π0.5 (3.3B-3.6B) | 工程影响 |
| :--- | :--- | :--- | :--- |
| 动作表示 | 离散Token (256 bins) | Flow Matching 连续轨迹 | 消除量化误差，支持50Hz平滑控制 |
| 微调显存 | 72 GB | 22.5 GB | 单张RTX 4090/A6000即可全量微调 |
| 预训练数据 | OXE 970k轨迹 | OXE + ALOHA/DROID >10k小时 | 补充真机遥操数据，弥合Sim-to-Real鸿沟 |
| 推理延迟 | 高（自回归生成） | 低（并行去噪/直接回归） | 满足实时闭环控制时序约束 |

从控制论视角看，Flow Matching通过建模动作概率密度的向量场，避免了离散Token自回归生成的累积误差与低频抖动。300M参数的动作专家模块专门负责高频动力学映射，使得3B VLM只需处理低频语义与场景理解，这种分工是50Hz控制频率得以实现的根本原因。对于工程师而言，选择3B级Flow Matching架构不仅是跟随趋势，更是为了在有限算力下获得可用的实时控制性能。

<RankBars
  unit="Likes (♥)"
  note="数据来源：站内收录的 Hugging Face 具身模型社区点赞数 Top 10。"
  :items='[{"label": "smolvla_base (450M)", "value": 474, "group": "VLA"}, {"label": "Alpamayo-R1-10B (11.1B)", "value": 442, "group": "OTHER"}, {"label": "Magma-8B (8.9B)", "value": 423, "group": "OTHER"}, {"label": "GR00T-N1-2B (2.2B)", "value": 359, "group": "VLA"}, {"label": "pi0_old (3.5B)", "value": 310, "group": "VLA"}, {"label": "openvla-7b (7.5B)", "value": 263, "group": "VLA"}, {"label": "GR00T-N1.5-3B (2.7B)", "value": 199, "group": "VLA"}, {"label": "MiniCPM-RobotManip (1.5B)", "value": 191, "group": "VLA"}, {"label": "GR00T-N1.7-3B (3.1B)", "value": 164, "group": "VLA"}, {"label": "flux-3-action-base (world_model)", "value": 154, "group": "WORLD_MODEL"}]'
/>

## 132条真机适配真相：Franka垄断与本体鸿沟的结构性成因 {data-eyebrow="适配矩阵"}

尽管开源模型数量庞大，但132条真机适配记录揭示了残酷的“验证偏科”现象。[franka-research-3](/robots/franka-research-3)以56条关联记录独占42.4%的份额，远超[Unitree G1](/robots/unitree-g1)（18条）和[AgileX Piper](/robots/agilex-piper)（18条）。这种集中并非因为Franka性能最优，而是由其作为“学术标准接口”的历史地位决定的：OXE等主流数据集中Franka轨迹占比最高，且其ROS/MoveIt驱动栈最为成熟，导致新模型发布时优先在该平台上验证以获取基准分数。

然而，当开发者试图将模型迁移至人形或国产机械臂时，会遭遇严重的“本体鸿沟”。以[rdt-1b](/models/robotics-diffusion-transformer-rdt-1b)为例，尽管其宣称支持统一动作空间，但文档明确指出“不能泛化到预训练数据集中未见过的新机器人平台”。这是因为不同本体的关节限位、减速比、末端执行器开合范围存在物理差异，简单的动作重映射无法解决动力学不一致问题。

| 机型 | 关联模型数 | 典型适配模型 | 适配难点与现状 |
| :--- | :--- | :--- | :--- |
| franka-research-3 | 56 | π0, OpenVLA, RDT-1B | 数据丰富，驱动完善，零样本迁移成功率最高 |
| unitree-g1 | 18 | GR00T N1.5, π0.5 | 人形双足平衡耦合，需额外全身控制层，数据稀缺 |
| agilex-piper | 18 | SmolVLA, ACT | 轻量级臂，运动学简单，但缺乏大规模预训练数据 |
| universal-robots-ur5e | 11 | Diffusion Policy | 工业臂精度高但速度受限，安全策略限制高频探索 |

对于[Unitree G1](/robots/unitree-g1)等人形机器人，仅有18条适配记录反映出社区仍在攻克“移动底盘+双臂协调”的复合控制难题。NVIDIA [GR00T-N1.5-3B](/models/nvidia-gr00t-n1-5-3b)虽针对人形优化，但其依赖Eagle视觉模块与DiT动作头，对硬件微架构（Ampere/Blackwell）有特定要求，进一步限制了在非NVIDIA平台上的快速验证。工程师在选型时必须清醒认识到：模型卡在Franka上的SOTA表现，不等于在你的目标本体上能开箱即用，预留2-4周的本体适配与数据采集时间是必要的工程缓冲。

## 显存、带宽与控制频率：数字反差背后的硬件约束 {data-eyebrow="硬件约束"}

模型卡中的数字并非孤立存在，而是硬件物理极限的投影。[π0 (openpi)](/models/pi0-openpi)宣称50Hz控制频率与22.5GB微调显存，这两个数字共同定义了消费级显卡（如RTX 4090）的可用边界。50Hz意味着单次前向推理必须在20ms内完成，这要求模型不仅参数少，还需算子高度优化；22.5GB显存则刚好塞入24GB显存的4090，留出1.5GB给KV Cache与中间激活值，这是经过精心计算的“显存甜点”。

反观[OpenVLA](/models/openvla)，72GB微调显存意味着必须使用A100 80GB或双卡4090，且其10Hz控制频率受限于7B参数自回归解码的串行特性。即使强行量化压缩显存，推理延迟也无法突破50Hz门槛。对于[NVIDIA Isaac GR00T N1.7](/models/gr00t-n1-7)，40GB微调显存与50Hz控制的组合，暗示其采用了更激进的算子融合或FlashAttention优化，但代价是对NVIDIA GPU架构的强绑定（支持Ampere/Blackwell/Hopper/Lovelace）。

此外，[smolvla_base](/models/lerobot-smolvla-base)以450M参数获得15.5万次下载，印证了边缘部署的巨大需求。其SmolVLM2+Flow Matching架构专为单卡训练设计，在Jetson Orin等嵌入式平台上可实现实时推理。工程师在评估模型时，不应只看任务成功率，更要计算“每赫兹控制所需的显存字节数”与“每瓦特算力输出的动作精度”，这些隐性指标决定了系统能否在真实产品中稳定运行。

## 开源协议光谱：Apache-2.0主导下的商业交付安全区 {data-eyebrow="许可合规"}

在466个模型中，Apache-2.0协议以288个（归一化后）占据压倒性优势，MIT协议68个紧随其后，两者合计覆盖了绝大多数VLA与Policy模型。这意味着开发者可以合法地将[π0 (openpi)](/models/pi0-openpi)、[rdt-1b](/models/robotics-diffusion-transformer-rdt-1b)及[LeRobot](/sdks/lerobot)生态用于商业产品，无需担心传染性条款或非商用限制。

然而，仍有部分关键模型处于“灰色地带”或明确受限。[OpenVLA](/models/openvla)继承Llama 2 Community License，对月活超7亿的公司需单独申请授权；NVIDIA GR00T系列采用NVIDIA Open Model License，明确禁止商业使用，仅限研究；[lerobot-pi0-base](/models/lerobot-pi0-base)与[lerobot-pi05-base](/models/lerobot-pi05-base)权重遵循Gemma协议，虽允许商用但有使用限制与归属要求。CC-BY-NC-SA-4.0（19个）与CC-BY-NC-4.0（4个）协议模型则完全排除商业用途。

对于企业用户，建议建立三级许可白名单：一级（Apache-2.0/MIT）可直接集成；二级（Gemma/Llama）需法务审核使用场景与规模；三级（NC/NVIDIA Open）仅限内部研发验证，严禁进入交付代码库。特别注意，即使代码开源为Apache-2.0，权重可能采用不同协议（如GR00T N1.7代码Apache-2.0但权重NVIDIA Open），务必分别核验code_license与weights_license字段，避免合规暴雷。

## 从下载到真机：跨越15万热度与18条适配之间的工程深渊 {data-eyebrow="落地鸿沟"}

[smolvla_base](/models/lerobot-smolvla-base)的15.5万次下载与[Unitree G1](/robots/unitree-g1)仅18条适配记录形成鲜明对比，揭示了“社区热度≠真机可用性”的残酷现实。高下载量反映的是低门槛试错意愿，而真机适配记录代表的是完成硬件集成、数据采集、微调验证的全链路投入。许多模型在仿真或标准数据集上表现优异，但一旦接入真实传感器与电机，便暴露出时序对齐、标定误差、安全限速等工程问题。

例如，[rdt-1b](/models/robotics-diffusion-transformer-rdt-1b)虽支持统一动作空间，但文档强调“embodiment gap”导致无法零样本迁移至新本体，必须采集目标机器人小数据集微调。这意味着即使你下载了权重，仍需花费数周构建专属数据集。而[π0.5](/models/lerobot-pi05-base)虽定位为开放世界泛化基础模型，但当前LeRobot版本仅包含flow-matching action head，子任务预测与RL组件缺失，限制了其在长程复杂任务中的实际表现。

工程师应建立“适配成熟度”评估框架：不仅看模型卡参数，更要查关联真机型号数量、是否有对应本体的微调脚本、社区Issue中关于硬件集成的讨论密度。对于仅有仿真验证或单一本体适配的模型，应视为“研究原型”而非“生产就绪组件”，在项目规划中预留充足的二次开发资源。

:::: pair
::: ok 已经验证与覆盖的事实
- **3B VLA高频可控：** π0/π0.5架构已验证在22.5GB显存下实现50Hz Flow Matching控制，单卡微调可行。
- **Apache-2.0商用安全：** 288个模型采用Apache-2.0，覆盖主流VLA与Policy，商业交付法律风险低。
- **Franka零样本迁移：** 56个模型适配Franka Research 3，OXE数据支撑下开箱即用成功率最高。
- **SmolVLA边缘部署：** 450M参数模型下载15.5万次，证实消费级硬件实时推理路径已跑通。
:::
::: no 尚未证明或需警惕的工程边界
- **人形本体适配稀缺：** Unitree G1仅18条适配，缺乏大规模预训练数据，全身控制仍需大量定制开发。
- **跨本体零样本失败：** RDT-1B等模型明确声明无法泛化至未见本体，统一动作空间不解决动力学差异。
- **GR00T商用受限：** NVIDIA GR00T系列权重禁止商用，且依赖特定GPU微架构，非NVIDIA平台部署困难。
- **π0.5功能不完整：** LeRobot版π0.5缺失子任务预测与RL组件，长程任务能力弱于论文声明。
:::
::::

::: handson 上手卡 · VLA选型、显存预算与真机适配清单
- **首选3B Flow Matching：** 新项目优先选π0/π0.5架构，兼顾50Hz控制与单卡微调，避免7B离散Token的时序瓶颈。
- **显存预算硬约束：** 微调π0需≥24GB显存（推荐4090/A6000），GR00T N1.7需≥40GB，OpenVLA需≥80GB A100。
- **本体适配优先级：** 若用Franka可直接复用56个模型；若用人形/国产臂，必留2-4周数据采集与微调周期。
- **许可双重核验：** 分别检查code_license与weights_license，GR00T/OpenVLA需法务审核，NC协议禁商用。
:::

::: takeaway
VLA已进入3B Flow Matching工程化甜点期，但真机验证仍困于Franka孤岛，跨本体适配是下一战场。
:::

::: sitenote
- 所有模型数量、适配记录、下载量等统计数据均来自站内2026-10-23快照，归一化处理已去除重复条目与测试账号。
- 显存需求（finetune_vram_gb）为模型卡声明的全量微调峰值，实际使用gradient_checkpointing或LoRA可降低30%-50%。
- 控制频率（control_hz）为模型设计上限，实际部署受硬件推理速度、通信延迟与安全策略限制，通常低于标称值。
:::

## 原始参考来源 (Sources)

- [OpenVLA vs π0 vs SmolVLA vs GR00T N1](https://particula.tech/blog/openvla-vs-pi0-vs-smolvla-vs-groot-n1)
- [Hugging Face lerobot/pi0_base](https://huggingface.co/lerobot/pi0_base)
- [Hugging Face lerobot/pi05_base](https://huggingface.co/lerobot/pi05_base)
- [Open Robot Foundation Models Compared](https://www.physicalaifield.com/blog/open-robot-foundation-models-compared/)
- [Hugging Face nvidia/GR00T-N1.5-3B](https://huggingface.co/nvidia/GR00T-N1.5-3B)
- [Hugging Face lerobot/smolvla_base](https://huggingface.co/lerobot/smolvla_base)
- [OpenVLA](https://openvla.github.io/)
- [Hugging Face robotics-diffusion-transformer/rdt-1b](https://huggingface.co/robotics-diffusion-transformer/rdt-1b)