RDT-170M 是一个 170M 参数的模仿学习 Diffusion Transformer，在消融实验中对应 RDT(small)。它面向 Vision-Language-Action 输入输出：接收语言指令、最多三路 RGB 图像、可选控制频率和本体感知，预测接下来的 64 个机器人动作。

模型隐藏维度为 1024、深度为 14，均为 RDT-1B 的一半；视觉骨干为 siglip-so400m-patch14-384，语言模型为 t5-v1_1-xxl。预训练使用 46 个数据集，包括 RT-1 Dataset、RH20T、DROID、BridgeData V2、RoboSet 以及 Open X-Embodiment 的一个子集。

RDT 通过统一动作空间支持多种现代移动操作臂形态，包括单臂到双臂、关节到末端执行器、位置到速度以及轮式移动。部署到具体平台时，需要将原始动作向量中的相关物理量填入统一空间。由于 embodiment gap，它尚不能泛化到预训练数据中未见过的新机器人平台，建议为目标机器人采集小数据集后微调。代码、预训练权重和数据采用 MIT 许可。