VITRA-VLA-3B

microsoft 在 Hugging Face 发布的机器人模型，架构为 Diffusion Policy (CNN / Transformer UNet)，参数规模 3B。

模型microsoftVITRA-VLA-3B

模型档案汇总架构、许可、适配机型与资料来源

VITRA-VLA-3B

microsoft 在 Hugging Face 发布的机器人模型，架构为 Diffusion Policy (CNN / Transformer UNet)，参数规模 3B。

具身模型
端侧部署

VLA研究3B更新于 10 个月前

Hugging Face

概述

这个模型的核心架构、动作空间设计与真机部署定位。

VITRA-VLA-3B 是面向机器人操作的 Vision-Language-Action 模型，输入为语言和图像，输出为机器人动作。其预训练思路是把人手视作灵巧机器人末端执行器，利用大规模、无脚本的真实世界第一视角人类手部活动视频，构造与现有机器人 V-L-A 训练数据在任务粒度和标签上对齐的数据格式。

模型使用 VITRA-1M 预训练数据集，该数据集包含超过 100 万个 episode；模型本身采用 causal action transformer，并在该数据集上训练。它在全新场景中展示了较强的零样本人手动作预测能力，并被定位为少样本微调和适配真实机器人操作的基础模型。

代码和预训练权重采用 MIT 许可发布，项目提供 GitHub 仓库、论文和项目页面用于获取更多实现与研究细节。

资料出处 Hugging Face microsoft/VITRA-VLA-3B

关键参数与架构规格

参数量、网络主干、控制频率、显存需求及 Hugging Face Hub 统计。

参数量: 3B
Hub 下载量: 130; 出处Hugging Face
Hub 点赞: 20; 出处Hugging Face

网络架构: Diffusion Policy (CNN / Transformer UNet)
动作空间表示: 连续扩散去噪轨迹 (Diffusion Action Trajectory)
支持数据格式: SafeTensors

暂未公开或待收录：微调显存需求 · 闭环控制频率

快速部署与许可说明

开源许可证、权重拉取命令、预训练数据集与关联文章。

代码许可证

mit

权重许可证

mit

权重下载与策略推理参考

# 1. 从 Hugging Face Hub 下载模型权重与配置
huggingface-cli download microsoft/VITRA-VLA-3B --local-dir ./checkpoints/microsoft-vitra-vla-3b

# 2. 使用 LeRobot / Transformers 加载策略开展真机或仿真闭环推理
python -m lerobot.scripts.eval --policy.path=microsoft/VITRA-VLA-3B