RDT-1B 是一个 1B 参数的模仿学习 Diffusion Transformer，用于 Vision-Language-Action 任务。它以语言指令、最多三路 RGB 图像、控制频率（如有）和本体感知为输入，可预测接下来的 64 个机器人动作。模型类型为基于 Transformer 的 Diffusion Policy，视觉骨干为 siglip-so400m-patch14-384，语言模型为 t5-v1_1-xxl。

该模型在 100 万以上多机器人 episodes 上预训练，预训练数据来自 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。它通过统一动作空间支持多种现代移动操作臂形态，覆盖单臂到双臂、关节到末端执行器、位置到速度以及轮式移动等物理量。

部署到具体机器人平台时，需要将原始动作向量中的相关量填入统一空间向量。由于 embodiment gap，RDT 目前不能泛化到预训练数据集中未见过的新机器人平台；这种情况下建议采集目标机器人的小数据集并进行微调。代码、预训练权重和数据采用 MIT 许可证。