# VITRA-VLA-3B

> 权威词条地址：https://robotics.hellobike.com/models/microsoft-vitra-vla-3b
> 所属分类：models | 最近核验日期：2025-12-09 | 技术层级：L7, L8

## 核心摘要

microsoft 在 Hugging Face 发布的机器人模型，架构为 Diffusion Policy (CNN / Transformer UNet)，参数规模 3B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/microsoft/VITRA-VLA-3B"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/microsoft/VITRA-VLA-3B"}] |
| `updated` | 2025-12-09 |
| `family` | vla |
| `params` | 3B |
| `architecture` | Diffusion Policy (CNN / Transformer UNet) |
| `action_representation` | 连续扩散去噪轨迹 (Diffusion Action Trajectory) |
| `code_license` | mit |
| `weights_license` | mit |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | microsoft/VITRA-VLA-3B |
| `hub_stats` | {"downloads": 130, "likes": 20, "as_of": "2026-10-21"} |

## 技术详解与生态说明

VITRA-VLA-3B 是面向机器人操作的 Vision-Language-Action 模型，输入为语言和图像，输出为机器人动作。其预训练思路是把人手视作灵巧机器人末端执行器，利用大规模、无脚本的真实世界第一视角人类手部活动视频，构造与现有机器人 V-L-A 训练数据在任务粒度和标签上对齐的数据格式。

模型使用 VITRA-1M 预训练数据集，该数据集包含超过 100 万个 episode；模型本身采用 causal action transformer，并在该数据集上训练。它在全新场景中展示了较强的零样本人手动作预测能力，并被定位为少样本微调和适配真实机器人操作的基础模型。

代码和预训练权重采用 MIT 许可发布，项目提供 GitHub 仓库、论文和项目页面用于获取更多实现与研究细节。

## 原始核验来源 (Sources)

- [Hugging Face microsoft/VITRA-VLA-3B](https://huggingface.co/microsoft/VITRA-VLA-3B)