LIBERO-Long

VLA-Adapter 在 Hugging Face 发布的机器人模型，架构为 OpenVLA (Prismatic VLM 7B + Action Tokenizer)，参数规模 1.3B。

模型VLA-AdapterLIBERO-Long

模型档案汇总架构、许可、适配机型与资料来源

LIBERO-Long

VLA-Adapter 在 Hugging Face 发布的机器人模型，架构为 OpenVLA (Prismatic VLM 7B + Action Tokenizer)，参数规模 1.3B。

具身模型
端侧部署

VLA研究1.3B更新于 2025-09-21

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。

VLA-Adapter Libero-Long 是一个在 Libero-Long 上训练的 tiny-scale 视觉-语言-动作模型，属于 VLA-Adapter 系列微调生成式动作模型。模型输入图像和文本，输出动作，面向机器人操作中的视觉语言条件动作生成。项目还给出了项目页、训练数据链接、Hugging Face 组织页和 GitHub 仓库。

其 VLM 遵循 Prismatic-VLM 架构，LLM 使用 Qwen2.5-0.5B 小骨干。整体由用于接收和处理图像、文本信息的 VLM，以及用于生成动作的 policy 组成；设计中使用 Bridge Attention 将 VLM 生成的条件与 policy 中的初始动作信息融合，以连接视觉语言信息与动作生成。在 LIBERO 对比表中，VLA-Adapter 规模为 0.5B，Long 成功率为 95.0、平均为 97.3；VLA-Adapter-Pro 规模同为 0.5B，Long 为 96.4、平均为 98.5。CALVIN 对比表中，VLA-Adapter 平均长度为 4.42，VLA-Adapter-Pro 为 4.50。

资料出处 Hugging Face VLA-Adapter/LIBERO-Long

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: 1.3B
Hub 下载量: 76; 出处Hugging Face
Hub 点赞: 23; 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

mit

权重许可证

mit

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("VLA-Adapter/LIBERO-Long", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("VLA-Adapter/LIBERO-Long", 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)