# openvision2-vit-so400m-patch14-384-vision-only

> 权威词条地址：https://robotics.hellobike.com/models/ucsc-vlaa-openvision2-vit-so400m-patch14-384-vision-only
> 所属分类：models | 最近核验日期：2026-08-22 | 技术层级：L7, L8

## 核心摘要

UCSC-VLAA 在 Hugging Face 发布的机器人模型，基于 open_clip。

## 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/UCSC-VLAA/openvision2-vit-so400m-patch14-384-vision-only"}] |
| `updated` | 2026-08-22 |
| `family` | vla |
| `params` | So400m |
| `architecture` | LeRobot / PyTorch Policy Network |
| `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` | UCSC-VLAA/openvision2-vit-so400m-patch14-384-vision-only |
| `hub_stats` | {"downloads": 1014, "likes": 1, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/UCSC-VLAA/openvision2-vit-so400m-patch14-384-vision-only"] |

## 技术详解与生态说明

这是 OpenVision2 So400m/14 @384 的完整生成式模型，包含原先的 vision encoder 以及共同训练的 caption text decoder，可将图像映射为描述性 caption。编码器文件保持不变，新加入了解码器权重、配置、独立 PyTorch 解码器与端到端示例。

解码器是 concat / prefix-LM 自回归 Transformer，而不是 CoCa 式 cross-attention decoder：ViT patch tokens 经线性投影后作为双向前缀拼接，文本以因果方式生成并关注所有图像 token。架构为 27 层、宽度 1152、16 heads、MLP 4304、词表 32000；使用时需要带 create_vision_encoder_and_transforms 的 patched open_clip，以及 torch、safetensors 和 pillow。

## 原始核验来源 (Sources)

- [Hugging Face UCSC-VLAA/openvision2-vit-so400m-patch14-384-vision-only](https://huggingface.co/UCSC-VLAA/openvision2-vit-so400m-patch14-384-vision-only)