Dream-VLA 7B 是一个开放的视觉-语言-动作模型，输入语言指令和机器人工作空间的相机图像，输出机器人动作。它面向多机器人控制，可开箱用于预训练混合中覆盖的部分 embodiment 与 domain 组合，也支持通过参数高效微调快速适配新的机器人领域。

该模型构建自扩散 VLM Dream-VL；Dream-VL 使用 Qwen2ViT 作为视觉骨干、Dream-7B 扩散语言模型作为语言模型。预训练数据为 Open X-Embodiment，具体数据混合遵循 OpenVLA。动作形式是归一化的 7-DoF 末端执行器增量，包括 x、y、z、roll、pitch、yaw 和 gripper。

在实际机器人平台执行时，动作需要依据每个机器人、每个数据集统计量进行反归一化，可用的反归一化键列在 config.json 中。示例场景包括在 BridgeV2 环境中对 Widow-X 机器人进行零样本指令跟随；检查点和训练代码以 Apache 2.0 许可证发布。