# Qwen3-VL-4B-Instruct-Action

> 权威词条地址：https://robotics.hellobike.com/models/starvla-qwen3-vl-4b-instruct-action
> 所属分类：models | 最近核验日期：2026-09-04 | 技术层级：L7

## 核心摘要

StarVLA 在 Hugging Face 发布的机器人模型，架构为 Qwen3VLForConditionalGeneration，参数规模 4.4B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/StarVLA/Qwen3-VL-4B-Instruct-Action"}] |
| `updated` | 2026-09-04 |
| `family` | other |
| `params` | 4.4B |
| `architecture` | Qwen3VLForConditionalGeneration |
| `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` | StarVLA/Qwen3-VL-4B-Instruct-Action |
| `hub_stats` | {"downloads": 1778, "likes": 4, "as_of": "2026-10-26"} |
| `overview_sources` | ["https://huggingface.co/StarVLA/Qwen3-VL-4B-Instruct-Action"] |

## 技术详解与生态说明

Qwen3-VL-4B-Instruct-Action 是一个面向 StarVLA 动作离散化流程的初始化模型，不是已经训练好的机器人策略。它基于 Qwen/Qwen3-VL-4B-Instruct，采用 Qwen3VLForConditionalGeneration，并在 tokenizer 与文本词表中扩展了 2,048 个动作 token。输入保持与基础 Qwen3-VL 相同的文本、图像和视频形式，输出为扩展词表上的语言模型 logits。

该仓库没有报告额外的 VLM 或机器人策略微调；除为新 token 调整 embedding/输出词表外，保留原有 Qwen3-VL 参数。因此新增动作 token 的 embedding 应被视为初始化，而不是已经学到的动作语义。仓库也没有关联机器人 benchmark 结果，不包含机器人 action head 或 robot checkpoint。

使用时需要从同一仓库加载模型和 tokenizer。下游训练必须自行定义动作量化或 codebook，将连续机器人动作映射到这 2,048 个 token 索引。仓库不定义归一化、动作维度、动作 horizon、机器人本体、数据集、控制器或评测协议；token ID 也具有仓库特异性，混用未扩展基础模型或其他动作 token checkpoint 可能破坏解码。

## 原始核验来源 (Sources)

- [Hugging Face StarVLA/Qwen3-VL-4B-Instruct-Action](https://huggingface.co/StarVLA/Qwen3-VL-4B-Instruct-Action)