# CogACT-Base

> 权威词条地址：https://robotics.hellobike.com/models/cogact-cogact-base
> 所属分类：models | 最近核验日期：2024-12-04 | 技术层级：L7, L8

## 核心摘要

CogACT 在 Hugging Face 发布的机器人模型，架构为 CogACT (VLM + DiT Action Module)。

## 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/CogACT/CogACT-Base"}] |
| `updated` | 2024-12-04 |
| `family` | vla |
| `params` | 80M |
| `architecture` | CogACT (VLM + DiT Action Module) |
| `action_representation` | 连续关节动作块 (Action Chunking) |
| `code_license` | mit |
| `weights_license` | mit |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | CogACT/CogACT-Base |
| `hub_stats` | {"downloads": 1323, "likes": 19, "as_of": "2026-10-27"} |
| `overview_sources` | ["https://huggingface.co/CogACT/CogACT-Base"] |

## 技术详解与生态说明

CogACT-Base 是面向机器人操作的 Vision-Language-Action 模型，输入语言指令和单视角 RGB 图像，预测接下来的 16 个归一化机器人动作。动作形式为 7-DoF 末端执行器增量，包括 x、y、z、roll、pitch、yaw 和 gripper。

该模型采用从 VLM 派生的组件化 VLA 架构，由 VLM 输出条件化专门的动作模块；CogACT-Base 使用 DiT-Base 作为动作模块，视觉骨干为 DINOv2 ViT-L/14 和 SigLIP ViT-So400M/14，语言模型为 Llama-2，预训练数据为 Open X-Embodiment 的一个子集。

CogACT 可用于 Open-X 预训练混合中已见设置的机器人零样本控制，也可用少量演示针对新任务和新机器人设置微调。预测动作需要结合数据集统计进行反归一化，并可选使用 Adaptive Action Ensemble；代码和预训练权重采用 MIT 许可。

## 原始核验来源 (Sources)

- [Hugging Face CogACT/CogACT-Base](https://huggingface.co/CogACT/CogACT-Base)