Octo Small 是一个面向机器人控制的策略模型，使用长度为 2 的历史窗口，通过扩散策略预测未来 4 步的 7 维动作。模型主体是 27M 参数的 Transformer，规模相当于 ViT-S；图像先经轻量卷积编码器预处理，再分组成 16x16 patch，语言则使用 T5 tokenizer 并经过 T5-Base 语言编码器。训练数据来自 Open X-Embodiment 数据集的混合子集，包括 Fractal、Kuka、Bridge、BC-Z、Stanford Hydra Dataset、Language Table、Taco Play、Furniture Bench Dataset 等多个来源。

推理时可传入观测和任务键的任意子集，历史窗口最多 2 个时间步；具体使用方式指向 octo-models/octo 项目。1.5 版本更新包括在上下文窗口每个时间步重复语言任务 token、用 GPT-3.5 改写增强数据中的语言指令，并修复了扩散头 dropout、attention mask off-by-one 以及图像增强随机种子相关问题。