# spatialvla-4b-224-pt

> 权威词条地址：https://robotics.hellobike.com/models/ipec-community-spatialvla-4b-224-pt
> 所属分类：models | 最近核验日期：2025-03-16 | 技术层级：L7, L8

## 核心摘要

IPEC-COMMUNITY 在 Hugging Face 发布的机器人模型，架构为 SpatialVLAForConditionalGeneration，参数规模 4B。

## 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/IPEC-COMMUNITY/spatialvla-4b-224-pt"}] |
| `updated` | 2025-03-16 |
| `family` | vla |
| `params` | 4B |
| `architecture` | SpatialVLAForConditionalGeneration |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | mit |
| `weights_license` | mit |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | IPEC-COMMUNITY/spatialvla-4b-224-pt |
| `hub_stats` | {"downloads": 462, "likes": 14, "as_of": "2026-10-26"} |
| `overview_sources` | ["https://huggingface.co/IPEC-COMMUNITY/spatialvla-4b-224-pt"] |

## 技术详解与生态说明

SpatialVLA 是一个 spatial-enhanced vision-language-action 模型，输入语言和图像并输出机器人动作。模型由 SpatialVLA 团队开发，基于 PaLiGemma2 VLM backbone，finetuned from paligemma2-3b-pt-224；预训练数据来自 Open X-Embodiment 和 RH20T，共 1.1 Million 真实机器人 episodes。训练代码和 checkpoint 以 MIT License 发布。

该模型可通过 HuggingFace Transformers 使用，要求 transformers >= 4.47.0，示例推理需要 8.5GB GPU memory；用于微调或预训练时需先克隆官方仓库，并使用 Python >= 3.10 环境。评测覆盖 SimplerEnv 上的 Google Robot tasks 与 WidowX Robot tasks、LIBERO 仿真基准，以及 WidowX zero-shot robot control、spatial understanding、Franka 新机器人设置适配。模型不声称能 zero-shot 泛化到未见过的机器人本体或预训练混合中没有的 setup，建议在目标 setup 上采集 demonstrations 后再 fine-tune。

## 原始核验来源 (Sources)

- [Hugging Face IPEC-COMMUNITY/spatialvla-4b-224-pt](https://huggingface.co/IPEC-COMMUNITY/spatialvla-4b-224-pt)