# TurboVLA

> 权威词条地址：https://robotics.hellobike.com/models/h-embodvis-turbovla
> 所属分类：models | 最近核验日期：2026-09-27 | 技术层级：L7

## 核心摘要

H-EmbodVis 在 Hugging Face 发布的机器人模型，架构为 TurboVLA。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/H-EmbodVis/TurboVLA"] |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/H-EmbodVis/TurboVLA"}] |
| `updated` | 2026-09-27 |
| `family` | other |
| `params` | 0.2B |
| `architecture` | TurboVLA |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | other |
| `weights_license` | other |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | H-EmbodVis/TurboVLA |
| `hub_stats` | {"downloads": 413, "likes": 8, "as_of": "2026-10-21"} |

## 技术详解与生态说明

TurboVLA 是面向机器人操作的实时视觉-语言-动作模型，采用直接的 V+L→A 设计，而不是以大语言模型为中心的 V→L→A 路径。它从同步多视角 RGB、自然语言指令和机器人本体状态预测连续动作块，目标是降低每次策略调用的计算与显存开销。

模型使用独立的 DINOv3 视觉编码器和 BERT 语言编码器，通过轻量双向视觉-语言交互融合信息，并用紧凑解码器输出动作块。LIBERO 配置输入两路 RGB、语言和状态，输出 7 维连续动作；RoboTwin 2.0 配置输入三路 224×224 RGB、语言和 14 维状态，输出 14 维绝对关节位置动作。

仓库发布了 LIBERO 四个套件的统一 PyTorch checkpoint，以及 RoboTwin 2.0 全 50 任务、Clean 与 Randomized 数据混合训练的 150,000 step EMA checkpoint。模型不能直接用 transformers.AutoModel.from_pretrained() 加载，安装和评测需使用官方 GitHub；代码为 Apache-2.0，checkpoint 还受 DINOv3 License 约束。

## 原始核验来源 (Sources)

- [Hugging Face H-EmbodVis/TurboVLA](https://huggingface.co/H-EmbodVis/TurboVLA)