# RDT2-VQ

> 权威词条地址：https://robotics.hellobike.com/models/robotics-diffusion-transformer-rdt2-vq
> 所属分类：models | 最近核验日期：2026-02-07 | 技术层级：L7, L8

## 核心摘要

robotics-diffusion-transformer 在 Hugging Face 发布的机器人模型，架构为 Qwen2_5_VLForConditionalGeneration，参数规模 8.3B。

## 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/robotics-diffusion-transformer/RDT2-VQ"}] |
| `updated` | 2026-02-07 |
| `family` | vla |
| `params` | 8.3B |
| `architecture` | Qwen2_5_VLForConditionalGeneration |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | robotics-diffusion-transformer/RDT2-VQ |
| `hub_stats` | {"downloads": 825, "likes": 23, "as_of": "2026-10-27"} |
| `overview_sources` | ["https://huggingface.co/robotics-diffusion-transformer/RDT2-VQ"] |

## 技术详解与生态说明

RDT2-VQ 是一个自回归视觉-语言-动作模型，改自 Qwen2.5-VL-7B-Instruct，面向双臂操作。它从左右腕部相机 RGB 图像和自然语言指令预测短时域相对动作块；动作以轻量 Residual VQ tokenizer 离散化，单块为 24 步、每步 20 维。训练数据来自 10k+ 小时、100+ 室内场景的 UMI 夹爪人类操作数据。

模型已在 Bimanual UR5e 和 Franka Research 3 设置上展示零样本跨本体迁移，目标是支持 pick、place、shake、wipe 等简单开放词汇技能。推理约需单 GPU、32GB RAM 和 16GB VRAM；部署实机前需要完成末端与相机硬件设置和标定。限制包括对标定质量、相机位置、夹爪细节、动作归一化和 RVQ code 兼容性的依赖，安全关键使用需监督、联锁和保守速度/力限制。

## 原始核验来源 (Sources)

- [Hugging Face robotics-diffusion-transformer/RDT2-VQ](https://huggingface.co/robotics-diffusion-transformer/RDT2-VQ)