univla-7b

qwbu 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qwbuunivla-7b

模型档案汇总架构、许可、适配机型与资料来源

univla-7b

qwbu 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 2025-08-02

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。

UniVLA 是 RSS 2025 工作“Learning to Act Anywhere with Task-centric Latent Actions”的官方 checkpoint，目标是通过统一、与具体 embodiment 无关的动作空间进行规划，作为面向通用策略的 VLA 方法。其核心思路包括从跨 embodiment 视频中提取以任务为中心的 latent actions。

该 checkpoint 使用完整数据集合预训练，数据来源写为 OpenX + Ego4D。项目声称该 VLA 在多个 benchmark 上取得 state-of-the-art 结果，并采用 compute-efficient training。若要在仿真 benchmark 或自定义数据集上微调，需要使用官方代码仓库。

资料出处 Hugging Face qwbu/univla-7b

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: 81; 出处Hugging Face
Hub 点赞: 10; 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

apache-2.0

权重许可证

apache-2.0

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("qwbu/univla-7b", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("qwbu/univla-7b", 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)