CogACT-Small 是一个 Vision-Language-Action 模型，输入语言指令和单视角 RGB 图像，预测后续 16 个归一化机器人动作。动作由 7-DoF 末端执行器增量组成，包括 x、y、z、roll、pitch、yaw 和 gripper，面向机器人操控中的语言、图像到动作预测。

该模型采用组件化 VLA 架构，由 VLM 输出条件化专用动作模块，而不是简单将 VLM 通过动作量化直接改作动作预测。其视觉骨干为 DINOv2 ViT-L/14 和 SigLIP ViT-So400M/14，语言模型为 Llama-2，动作模型为 DiT-Small，预训练数据为 Open X-Embodiment 的一个子集。

预测动作需要依据数据集统计量进行反归一化，并可选使用 Adaptive Action Ensemble 进行整合。模型可在 Open-X 预训练混合中见过的机器人设置上零样本控制，也可用极少量演示针对新任务和机器人设置微调；代码和预训练权重采用 MIT 许可证。