SmolVLA 是 LeRobot 中的紧凑高效 Vision-Language-Action 模型，面向可负担机器人场景设计。它被定位为可在单张 GPU 上训练、可在消费级硬件上部署的基础模型，并通过社区驱动数据达到与更大 VLA 相匹配的性能表现。

模型输入包括多视角图像、本体/状态信息，以及可选的语言指令；输出为连续动作。训练目标采用 flow matching，动作表示也是连续形式，主要用途是作为基础模型，在具体使用场景上继续微调。

使用上可参考 LeRobot 的安装文档加载模型和数据集，并通过 select_action 进行批量推理。训练或微调时通常调用 forward 得到 loss 后反向传播，也可使用 lerobot-train 运行完整训练流程；真实世界推理与评估可用 lerobot-record 加载策略检查点并记录评估 episode。