# Octo

> 权威词条地址：https://robotics.hellobike.com/models/octo
> 所属分类：models | 最近核验日期：2026-10-10 | 技术层级：L7

## 核心摘要

采用扩散动作表征的 93M 视觉—语言—动作模型。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `updated` | 2026-10-10 |
| `family` | vla |
| `params` | 93M |
| `architecture` | 多模态视觉语言主干 (VLM) + 连续动作块预测头 (Action Chunking Head) |
| `action_representation` | diffusion |
| `code_license` | Apache-2.0 |
| `weights_license` | Apache-2.0 / MIT |
| `finetune_vram_gb` | 16 |
| `data_formats` | ["LeRobot Parquet", "RLDS (TFRecord)", "HDF5"] |
| `pretraining_data` | ["Open X-Embodiment (OXE)"] |
| `control_hz` | 25 |
| `status` | research |
| `overview_sources` | ["https://www.roboticscenter.ai/tools/vla-models-comparison"] |

## 技术详解与生态说明

该模型属于VLA（视觉-语言-动作）家族，采用多模态视觉语言主干+连续动作块预测头架构，参数规模为93M，输入支持视觉、语言模态，动作空间输出采用扩散表征，控制频率为25Hz，是面向机器人具身控制的视觉语言动作通用模型。

该模型基于Open X-Embodiment（OXE）数据集完成预训练，支持LeRobot Parquet、RLDS（TFRecord）、HDF5三种数据格式，代码与权重均遵循开源协议开放，代码采用Apache-2.0许可，权重支持Apache-2.0与MIT双许可，可供科研场景下的具身智能相关研究与二次开发使用。

## 原始核验来源 (Sources)

- [VLA Models Comparison](https://www.roboticscenter.ai/tools/vla-models-comparison)