CogACT-Large 是一个 Vision-Language-Action 模型，输入语言指令和单视角 RGB 图像，用于预测机器人动作。它面向“语言、图像到机器人动作”的场景，一次输出接下来 16 个归一化机器人动作，动作形式为 7-DoF 末端执行器增量：x、y、z、roll、pitch、yaw 和 gripper。

该模型采用组件化 VLA 架构，不是简单将 VLM 通过动作量化改作动作预测，而是在 VLM 输出条件下使用专门的动作模块。其视觉骨干包括 DINOv2 ViT-L/14 和 SigLIP ViT-So400M/14，语言模型为 Llama-2，动作模型为 DiT-Large；预训练数据来自 Open X-Embodiment 的一个子集。

CogACT 可在 Open-X 预训练混合中出现过的机器人设置上进行 zero-shot 控制，也可用少量演示针对新任务和新机器人设置微调。输出动作需要依据数据集统计进行反归一化，并可选择通过 Adaptive Action Ensemble 集成。代码和预训练权重采用 MIT 许可证。