RDT2-VQ 是一个自回归视觉-语言-动作模型，改自 Qwen2.5-VL-7B-Instruct，面向双臂操作。它从左右腕部相机 RGB 图像和自然语言指令预测短时域相对动作块；动作以轻量 Residual VQ tokenizer 离散化，单块为 24 步、每步 20 维。训练数据来自 10k+ 小时、100+ 室内场景的 UMI 夹爪人类操作数据。

模型已在 Bimanual UR5e 和 Franka Research 3 设置上展示零样本跨本体迁移，目标是支持 pick、place、shake、wipe 等简单开放词汇技能。推理约需单 GPU、32GB RAM 和 16GB VRAM；部署实机前需要完成末端与相机硬件设置和标定。限制包括对标定质量、相机位置、夹爪细节、动作归一化和 RVQ code 兼容性的依赖，安全关键使用需监督、联锁和保守速度/力限制。