# VLAA-Thinker-Qwen2.5VL-3B

> 权威词条地址：https://robotics.hellobike.com/models/ucsc-vlaa-vlaa-thinker-qwen2-5vl-3b
> 所属分类：models | 最近核验日期：2025-07-30 | 技术层级：L7, L8

## 核心摘要

UCSC-VLAA 在 Hugging Face 发布的机器人模型，架构为 Qwen2_5_VLForConditionalGeneration，参数规模 3.8B。

## 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/VLAA-Thinker-Qwen2.5VL-3B"}] |
| `updated` | 2025-07-30 |
| `family` | vla |
| `params` | 3.8B |
| `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` | UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B |
| `hub_stats` | {"downloads": 265, "likes": 5, "as_of": "2026-10-26"} |
| `overview_sources` | ["https://huggingface.co/UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B"] |

## 技术详解与生态说明

VLAA-Thinker-Qwen2.5-3B 是 VLAA-Thinker 系列中的视觉-语言推理模型，面向带图像的问题回答与多模态推理。VLAA-Thinker-Qwen2.5-3B 与 7B 版本在 2025 年 4 月 7 日的 OpenCompass Multimodal Reasoning Leaderboard 上达到 SOTA 表现。

其训练数据来自 VLAA-Thinking 流水线：从 9 个视觉-语言数据集中收集图像-问题-答案元数据，使用 GPT-4o 生成结构化图像描述，借助 DeepSeek-R1 蒸馏逐步推理与答案，再由 GPT-3.5-turbo 重写，并通过自动验证保留正确样本。最终数据包含 126,413 条 SFT 样本和 25,195 条 RL 样本。

使用上可运行 `python inference.py` 进行推理，并需要包含训练时使用的 system prompt；数据集可通过 `bash ./utils/download_dataset.sh` 下载并指定绝对路径。训练代码标注为 coming soon。

## 原始核验来源 (Sources)

- [Hugging Face UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B](https://huggingface.co/UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B)