# CogACT-Large

> 权威词条地址：https://robotics.hellobike.com/models/cogact-cogact-large
> 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 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/CogACT/CogACT-Large"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/CogACT/CogACT-Large"}] |
| `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-Large |
| `hub_stats` | {"downloads": 74, "likes": 5, "as_of": "2026-10-21"} |

## 技术详解与生态说明

CogACT-Large 是一个 Vision-Language-Action 模型，输入语言指令和单视角 RGB 图像，用于预测机器人动作。它面向“语言、图像到机器人动作”的场景，一次输出接下来 16 个归一化机器人动作，动作形式为 7-DoF 末端执行器增量：x、y、z、roll、pitch、yaw 和 gripper。

该模型采用组件化 VLA 架构，不是简单将 VLM 通过动作量化改作动作预测，而是在 VLM 输出条件下使用专门的动作模块。其视觉骨干包括 DINOv2 ViT-L/14 和 SigLIP ViT-So400M/14，语言模型为 Llama-2，动作模型为 DiT-Large；预训练数据来自 Open X-Embodiment 的一个子集。

CogACT 可在 Open-X 预训练混合中出现过的机器人设置上进行 zero-shot 控制，也可用少量演示针对新任务和新机器人设置微调。输出动作需要依据数据集统计进行反归一化，并可选择通过 Adaptive Action Ensemble 集成。代码和预训练权重采用 MIT 许可证。

## 原始核验来源 (Sources)

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