RynnVLA-Latent-4B 是 RynnVLA-Latent 的 Stage-1 潜在动作预训练检查点，属于 Mixture-of-Transformers 视觉-语言-动作模型。它接收语言指令和最多六路相机视角，通过 flow matching 生成一段潜在动作；参数量为 5.042B，发布权重是最终第 236,442 步的 EMA 快照。训练阶段冻结了视觉塔和语言模型。

Stage 1 的目标是 RynnLAM 产生的 608 维 ktoken_zcam 潜在动作，由原始 RGB 帧对标注，不使用机器人动作标签；因此真实机器人轨迹、仿真 rollout 和人类第一视角视频可共享同一种目标表示。该检查点随附的 action/state schema 为空，不应用于 LIBERO、RoboTwin 或 VLABench 闭环控制评测，而应作为 Stage 2 初始化，再重定向到具体机器人的动作空间。

模型配置包含 6 个相机槽位，并用 slot_mask 标记有效视角；图像按 mean/std 0.5 归一化到 [-1, 1]。自定义 model_type 需先导入 rynnvla 包解析，检查点在 transformers==5.2.0 与 torch==2.7.1 下验证可加载；权重可从 ModelScope 下载，许可证为 Apache License 2.0。