openvla-7b-oft-finetuned-libero-spatial

moojink 在 Hugging Face 发布的机器人模型，架构为 OpenVLA (Prismatic VLM 7B + Action Tokenizer)，参数规模 7.5B。

模型moojinkopenvla-7b-oft-finetuned-libero-spatial

模型档案汇总架构、许可、适配机型与资料来源

openvla-7b-oft-finetuned-libero-spatial

moojink 在 Hugging Face 发布的机器人模型，架构为 OpenVLA (Prismatic VLM 7B + Action Tokenizer)，参数规模 7.5B。

具身模型
端侧部署

VLA研究7.5B更新于 2025-06-17

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。

该仓库提供用于 LIBERO-Spatial 的 OpenVLA-OFT checkpoint，对应工作为 Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success。OpenVLA-OFT 基于 OpenVLA，并通过 optimized fine-tuning techniques 相比基础 OpenVLA 模型取得显著改进。

使用方式上，仓库给出的快速开始示例面向用预训练 OpenVLA-OFT checkpoint 生成 action chunk；运行前需要按其 GitHub 代码仓库中的说明配置 conda 环境。仓库还提供项目页、代码仓库以及其他 OpenVLA-OFT checkpoints 的链接。

资料出处 Hugging Face moojink/openvla-7b-oft-finetuned-libero-spatial

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: 7.5B
Hub 下载量: 10.9k; 出处Hugging Face
Hub 点赞: 15; 出处Hugging Face

网络架构: OpenVLA (Prismatic VLM 7B + Action Tokenizer)
动作空间表示: 离散动作 Token (Autoregressive Action Tokens)
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. 使用 Transformers 加载 OpenVLA 视觉语言动作模型
from transformers import AutoModelForVision2Seq, AutoProcessor
import torch

processor = AutoProcessor.from_pretrained("moojink/openvla-7b-oft-finetuned-libero-spatial", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("moojink/openvla-7b-oft-finetuned-libero-spatial", torch_dtype=torch.bfloat16, low_cpu_mem_usage=True, trust_remote_code=True).to("cuda:0")
# 2. 输入相机图像与自然语言指令预测 7-DoF 动作增量
inputs = processor("In: What action should the robot take to pick up the object?\nOut:", image).to("cuda:0", dtype=torch.bfloat16)
action = vla.predict_action(**inputs, unnorm_key="bridge_orig", do_sample=False)