SpatialVLA 是视觉-语言-动作模型，输入语言和图像并输出机器人动作。该模型由 SpatialVLA 团队开发，基于 SpatialVLA 在 fractal 和 bridge dataset 上微调得到，并用于论文 TABLE V 的领域数据集微调消融实验；其 VLM backbone 来自 PaLiGemma2，微调起点为 paligemma2-3b-pt-224。

模型预训练数据写明为 Open X-Embodiment 和 RH20T；SpatialVLA 预训练使用来自 OXE 和 RH20T 的 1.1 Million 真实机器人示范，在 64 块 A100 GPU 上训练约 10 天，batch size 为 2048。README 中还给出 SimplerEnv 上 Google Robot 和 WidowX Robot 任务的评测，包括 Pick Coke Can、Move Near、Open/Close Drawer，以及 Put Spoon on Towel、Put Carrot on Plate、Stack Green Block on Yellow Block、Put Eggplant in Yellow Basket 等。

使用上依赖 HuggingFace 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；进行微调或预训练需克隆官方仓库，Python >= 3.10。模型采用 MIT 许可；其限制是不能零样本泛化到未见过的机器人本体或不在预训练混合中的设置，建议在目标设置上采集示范数据后再微调。