这是一个 SpatialVLA 视觉-语言-动作模型变体，用于根据语言和图像输出机器人动作。该模型由 SpatialVLA team 开发，基于 paligemma2-3b-pt-224 微调而来，面向 Simpler-env benchmark，在 bridge dataset 上进行了 fine-tuning；其预训练数据包括 Open X-Embodiment 和 RH20T，并提到可用 OXE 与 RH20T 的 1.1 Million 真实机器人 demonstrations 从头预训练。

模型依赖 Hugging Face Transformers，环境支持 transformers >= 4.47.0 时可直接加载推理，推理需要 8.5GB GPU memory；用于微调或预训练时需克隆官方仓库，Python >= 3.10。评估包含 SimplerEnv 上的 Google Robot tasks、WidowX Robot tasks、WidowX Robot 零样本控制以及空间理解能力。模型采用 MIT 许可；其适用边界是不能零样本泛化到未见过的机器人本体或未包含在预训练混合中的设置，建议为目标设置采集 demonstrations 后再微调。