# openvla-7b

> 权威词条地址：https://robotics.hellobike.com/models/openvla-openvla-7b
> 所属分类：models | 最近核验日期：2026-02-17 | 技术层级：L7, L8

## 核心摘要

openvla 在 Hugging Face 发布的机器人模型，架构为 OpenVLA (Prismatic VLM 7B + Action Tokenizer)，参数规模 7.5B。

## 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/openvla/openvla-7b"}] |
| `updated` | 2026-02-17 |
| `family` | vla |
| `params` | 7.5B |
| `architecture` | OpenVLA (Prismatic VLM 7B + Action Tokenizer) |
| `action_representation` | 离散动作 Token (Autoregressive Action Tokens) |
| `code_license` | mit |
| `weights_license` | mit |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | openvla/openvla-7b |
| `hub_stats` | {"downloads": 114093, "likes": 264, "as_of": "2026-10-27"} |
| `overview_sources` | ["https://huggingface.co/openvla/openvla-7b"] |

## 技术详解与生态说明

OpenVLA 7B 是一个开放的视觉-语言-动作模型，输入语言指令和机器人工作空间的相机图像，输出归一化的机器人动作。动作形式为 7-DoF 末端执行器增量，包括 x、y、z、roll、pitch、yaw 和 gripper；在真实机器人上执行时，需要按每个机器人、每个数据集的统计量进行反归一化。

该模型基于 prism-dinosiglip-224px 微调，后者使用 DINOv2 ViT-L/14、SigLIP ViT-So400M/14 视觉骨干和 Llama-2 语言模型；训练使用 Open X-Embodiment 数据集中的 970K 机器人操作 episode。它可在预训练混合中覆盖的具身和领域组合上零样本控制机器人，例如 BridgeV2 环境中的 Widow-X，也可用少量示范数据对新任务和机器人设置进行参数高效微调。模型不面向未见过的机器人具身或未包含在预训练混合中的设置做零样本泛化；检查点和训练代码以 MIT License 发布。

## 原始核验来源 (Sources)

- [Hugging Face openvla/openvla-7b](https://huggingface.co/openvla/openvla-7b)