SpatialVLA 是一个 spatial-enhanced vision-language-action 模型，输入语言和图像并输出机器人动作。模型由 SpatialVLA 团队开发，基于 PaLiGemma2 VLM backbone，finetuned from paligemma2-3b-pt-224；预训练数据来自 Open X-Embodiment 和 RH20T，共 1.1 Million 真实机器人 episodes。训练代码和 checkpoint 以 MIT License 发布。

该模型可通过 HuggingFace Transformers 使用，要求 transformers >= 4.47.0，示例推理需要 8.5GB GPU memory；用于微调或预训练时需先克隆官方仓库，并使用 Python >= 3.10 环境。评测覆盖 SimplerEnv 上的 Google Robot tasks 与 WidowX Robot tasks、LIBERO 仿真基准，以及 WidowX zero-shot robot control、spatial understanding、Franka 新机器人设置适配。模型不声称能 zero-shot 泛化到未见过的机器人本体或预训练混合中没有的 setup，建议在目标 setup 上采集 demonstrations 后再 fine-tune。