openvla-7b-finetuned-libero-spatial

openvla 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openvlaopenvla-7b-finetuned-libero-spatial

模型档案汇总架构、许可、适配机型与资料来源

openvla-7b-finetuned-libero-spatial

openvla 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 2024-10-09

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。

OpenVLA 7B Fine-Tuned on LIBERO-Spatial 是在 OpenVLA 7B 基础上得到的模型，面向 LIBERO 仿真基准中的 LIBERO-Spatial 数据集。训练数据经过了一些修改以提升最终性能，具体细节指向 OpenVLA 论文。

该模型使用 LoRA 微调，配置包括 LoRA rank 32、dropout 0.0、学习率 5e-4、批量大小 128、训练 50K 个梯度步；训练与测试时均未使用量化，也未使用梯度累积。训练硬件为 8 张 80GB A100 GPU，并使用随机裁剪和颜色扰动等图像增强。

使用方式是参考 OpenVLA GitHub README，在 LIBERO simulator 中运行和评估该模型。

资料出处 Hugging Face openvla/openvla-7b-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
微调显存需求: 80GB
Hub 下载量: 8.8k; 出处Hugging Face
Hub 点赞: 4; 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：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("openvla/openvla-7b-finetuned-libero-spatial", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("openvla/openvla-7b-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)