F1 是一个 Vision Language Action 模型，目标是在理解、生成与动作之间建立连接。其核心设计包括用于规划式控制的预测式逆动力学，通过视觉预见生成辅助控制；架构采用 Mixture-of-Transformer，包含 Understanding、Generation、Action 三个专门专家。训练流程分为三阶段：progressive alignment、pretraining 和 adaptation。

真实机器人实验覆盖 9 项多样化操作任务，包括 pick-and-place、handover 和复杂物体操作，并跨多个机器人平台进行。性能表中列出：在 Genie-1 的 Multi-task 上 F1 为 82.2%、π0 为 65.2%；Franka 的 Adaptation 为 66.7% 对 53.3%；ARX LIFT II 的 Long-horizon 为 40.0% 对 0.0%，Dynamic Env 为 66.7% 对 33.3%。

使用方式指向官方 repo F1-VLA。该工作许可为 cc-by-nc-sa-4.0，并基于 Lerobot、Any4lerobot 和 VAR。