# Foundry-VLA-1.7B-full

> 权威词条地址：https://robotics.hellobike.com/models/tri-ml-foundry-vla-1-7b-full
> 所属分类：models | 最近核验日期：2026-04-23 | 技术层级：L7, L8

## 核心摘要

TRI-ML 在 Hugging Face 发布的机器人模型，架构为 Diffusion Policy (CNN / Transformer UNet)，参数规模 1.7B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/TRI-ML/Foundry-VLA-1.7B-full"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/TRI-ML/Foundry-VLA-1.7B-full"}] |
| `updated` | 2026-04-23 |
| `family` | vla |
| `params` | 1.7B |
| `architecture` | Diffusion Policy (CNN / Transformer UNet) |
| `action_representation` | 连续扩散去噪轨迹 (Diffusion Action Trajectory) |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | TRI-ML/Foundry-VLA-1.7B-full |
| `hub_stats` | {"downloads": 25, "likes": 0, "as_of": "2026-10-21"} |

## 技术详解与生态说明

Foundry-VLA-1.7B-full 是 VLA Foundry collection 中的 1.7B 参数视觉-语言-动作模型，面向双臂机器人操作。模型使用 20 维相对动作空间，覆盖双臂 xyz、6D rotation 和 gripper，并使用 4 路相机视角，包括 2 个场景视角和 2 个腕部视角。

其架构由 Foundry-VLM-1.3B 视觉语言骨干与 flow-matching diffusion action head 组成，动作头条件化在最后 4 层，包含 24 层、1024 hidden dim、16 heads。训练数据为来自仿真和真实世界双臂操作任务的 102M samples，并标注使用了 resample；VLM backbone 写为 Foundry-VLM-1.3B-200M。

评测给出了 16 个 seen tasks 和 3 个 unseen tasks 上的成功率，每个任务 200 次 rollout。在 CS simulator 上 seen 为 54.0%、unseen 为 4.7%；在 OSS simulator 上 seen 为 34.1%、unseen 为 7.5%。项目还提供 project page、论文、代码仓库和 collection 链接。

## 原始核验来源 (Sources)

- [Hugging Face TRI-ML/Foundry-VLA-1.7B-full](https://huggingface.co/TRI-ML/Foundry-VLA-1.7B-full)