# RynnVLA-Latent-4B

> 权威词条地址：https://robotics.hellobike.com/models/alibaba-damo-academy-rynnvla-latent-4b
> 所属分类：models | 最近核验日期：2026-10-09 | 技术层级：L7, L8

## 核心摘要

Alibaba-DAMO-Academy 在 Hugging Face 发布的机器人模型，架构为 Qwen3VLForConditionalGeneration，参数规模 5B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/Alibaba-DAMO-Academy/RynnVLA-Latent-4B"}] |
| `updated` | 2026-10-09 |
| `family` | vla |
| `params` | 5B |
| `architecture` | Qwen3VLForConditionalGeneration |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | Alibaba-DAMO-Academy/RynnVLA-Latent-4B |
| `hub_stats` | {"downloads": 43, "likes": 2, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/Alibaba-DAMO-Academy/RynnVLA-Latent-4B"] |

## 技术详解与生态说明

RynnVLA-Latent-4B 是 RynnVLA-Latent 的 Stage-1 潜在动作预训练检查点，属于 Mixture-of-Transformers 视觉-语言-动作模型。它接收语言指令和最多六路相机视角，通过 flow matching 生成一段潜在动作；参数量为 5.042B，发布权重是最终第 236,442 步的 EMA 快照。训练阶段冻结了视觉塔和语言模型。 

Stage 1 的目标是 RynnLAM 产生的 608 维 ktoken_zcam 潜在动作，由原始 RGB 帧对标注，不使用机器人动作标签；因此真实机器人轨迹、仿真 rollout 和人类第一视角视频可共享同一种目标表示。该检查点随附的 action/state schema 为空，不应用于 LIBERO、RoboTwin 或 VLABench 闭环控制评测，而应作为 Stage 2 初始化，再重定向到具体机器人的动作空间。

模型配置包含 6 个相机槽位，并用 slot_mask 标记有效视角；图像按 mean/std 0.5 归一化到 [-1, 1]。自定义 model_type 需先导入 rynnvla 包解析，检查点在 transformers==5.2.0 与 torch==2.7.1 下验证可加载；权重可从 ModelScope 下载，许可证为 Apache License 2.0。

## 原始核验来源 (Sources)

- [Hugging Face Alibaba-DAMO-Academy/RynnVLA-Latent-4B](https://huggingface.co/Alibaba-DAMO-Academy/RynnVLA-Latent-4B)