EO-1 是一个开源的 3B 参数 Vision-Language-Action 具身基础模型，面向通用机器人控制。它将感知、规划、推理和动作生成统一在单个模型中，输入可包括图像帧、视频、机器人本体状态、文本指令、指点和边界框，输出可为自然语言或连续动作向量。

模型采用单一 decoder-only Transformer，权重初始化自 Qwen2.5-VL，并结合离散自回归解码与连续 flow matching 去噪；训练数据包括 EO-Data1.5M、Web Multimodal Data，以及 AgiBotWorld、Open X-Embodiment、RoboMIND、SO100-Community 等机器人控制数据。训练目标同时包含 flow-matching objective 和 next-token-prediction objective。

项目基于 Hugging Face Transformers 和 LeRobot，可在支持二者的环境中直接加载预训练模型做推理，文中标注推理约需 6.5GB GPU 显存。基准覆盖 Franka Pick-and-Place、AgiBot Long-horizon Dexterity、WidowX Out-of-Box、Reasoning Control、LIBERO 和 Simpler 等机器人控制与多模态任务。