TurboVLA 是面向机器人操作的实时视觉-语言-动作模型，采用直接的 V+L→A 设计，而不是以大语言模型为中心的 V→L→A 路径。它从同步多视角 RGB、自然语言指令和机器人本体状态预测连续动作块，目标是降低每次策略调用的计算与显存开销。

模型使用独立的 DINOv3 视觉编码器和 BERT 语言编码器，通过轻量双向视觉-语言交互融合信息，并用紧凑解码器输出动作块。LIBERO 配置输入两路 RGB、语言和状态，输出 7 维连续动作；RoboTwin 2.0 配置输入三路 224×224 RGB、语言和 14 维状态，输出 14 维绝对关节位置动作。

仓库发布了 LIBERO 四个套件的统一 PyTorch checkpoint，以及 RoboTwin 2.0 全 50 任务、Clean 与 Randomized 数据混合训练的 150,000 step EMA checkpoint。模型不能直接用 transformers.AutoModel.from_pretrained() 加载，安装和评测需使用官方 GitHub；代码为 Apache-2.0，checkpoint 还受 DINOv3 License 约束。