OpenVLA

7B 视觉—语言—动作模型，以 Open X-Embodiment 中 970k 条机器人轨迹预训练。

模型openvla

模型档案汇总架构、许可、适配机型与资料来源

OpenVLA

7B 视觉—语言—动作模型，以 Open X-Embodiment 中 970k 条机器人轨迹预训练。

具身模型

VLA研究7B更新于 18 天前

OpenVLA

概述

这个模型的核心架构、动作空间设计与真机部署定位。

该模型属于VLA（视觉-语言-动作）家族，主干采用SigLIP与DINOv2作为视觉编码器、Llama 2 7B作为核心推理架构，参数量为7B，输入模态覆盖视觉、语言信号，动作空间以离散动作token表示，每维度含256个bins，控制频率为10Hz。

其基于Open X-Embodiment数据集的970k条机器人轨迹完成预训练，支持RLDS数据格式，代码采用MIT开源协议发布，模型权重继承Llama 2 Community License许可，当前处于研究阶段，可用于机器人具身控制相关的技术探索与落地适配。

资料出处 OpenVLA Open Robot Foundation Models Compared

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: 7B
微调显存需求: 72GB
闭环控制频率: 10Hz

网络架构: SigLIP+DINOv2 视觉编码 → Llama 2 7B，离散动作 token（每维 256 bins）
动作空间表示: discrete_tokens
支持数据格式: RLDS

公开基准跑分

分数来自 taxonomy/benchmarks.yaml，只展示已关联到本模型的条目。

基准	平均	协议	出处
LIBERO	76.5%	third-person image + language, modified dataset, original discrete-token fine-tune	OpenVLA LIBERO table（OFT Table I 复引同一行）
SimplerEnv Google Robot Visual Matching	34.3%	CogACT's OpenVLA visual-matching eval; do not mix with SpatialVLA Table VIII	CogACT Table 1, OpenVLA row
SimplerEnv Google Robot Variant Aggregation	39.3%	variant aggregation	CogACT Table 1, OpenVLA variant aggregation
SimplerEnv WidowX Visual Matching	4.2%	WidowX visual matching	CogACT Table 2, OpenVLA row
SimplerEnv Google Robot Visual Matching (SpatialVLA overall)	27.7%	SpatialVLA	SpatialVLA Table VIII, OpenVLA visual matching overall
SimplerEnv Google Robot Variant Aggregation (SpatialVLA overall)	39.8%	SpatialVLA	SpatialVLA Table VIII, OpenVLA variant aggregation overall

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

继承 Llama 2 Community License

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("embodied-ai/openvla", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("embodied-ai/openvla", 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)

预训练数据 1

数据集Open X-EmbodimentApache-2.0

关联机型

模型卡或论文声明在这些机器人上训练、微调或部署过；口径是作者声明，不是第三方复现。

机型关联记录 3

适配机型	实测说明与帧率表现	记录日期
松灵 PiPER	OpenVLA 7B 支持通过 LoRA 微调适配松灵 PiPER 6DoF 机械臂桌面抓取任务。	2026-10-21
Franka FR3	OpenVLA 7B 基于 Open X-Embodiment 97 万条轨迹预训练，原生支持 Franka 7DoF 末端增量位姿控制与 LoRA 微调。	2026-10-21
Universal Robots UR5e	OpenVLA 7B 预训练包含 UR5 轨迹，支持通过 ROS 2 MoveIt/Servo 桥接部署至 UR5e。	2026-10-21