SpatialVLA 是一个视觉-语言-动作模型，输入语言和图像并输出机器人动作。本仓库模型由 SpatialVLA 团队发布，是在 SpatialVLA 基础上针对 SimplerEnv benchmark 使用 fractal dataset 微调得到；其 VLM backbone 为 PaLiGemma2，微调自 paligemma2-3b-pt-224，预训练数据包括 Open X-Embodiment 和 RH20T。

模型可依赖 Hugging Face Transformers 部署，要求 transformers >= 4.47.0，直接推理需要 8.5GB GPU 显存。评估覆盖 SimplerEnv 的 Google Robot 任务和 WidowX Robot 任务，并列出 WidowX 上的 zero-shot robot control evaluation 与 spatial understanding capability evaluation。模型声明不对未见过的机器人本体或预训练混合中未覆盖的设置做零样本泛化，建议在目标设置上采集演示数据后再微调。许可为 MIT。