LIBERO-Spatial

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-Spatial

模型档案汇总架构、许可、适配机型与资料来源

LIBERO-Spatial

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-Spatial 是 VLA-Adapter 系列中的视觉-语言-动作模型，定位为使用 tiny-scale 骨干的微调生成式动作模型，训练在 Libero-Spatial 上。模型输入图像和文本，输出仅为动作；其 VLM 遵循 Prismatic-VLM 架构，LLM 使用 Qwen2.5-0.5B。模型由接收并处理图文信息的 VLM 和生成动作的 policy 组成，并通过 Bridge Attention 模块将 VLM 产生的条件与 policy 中的初始动作信息融合。给出的对比结果覆盖 LIBERO 的 Spatial、Object、Goal、Long，以及 CALVIN 的多步评测；VLA-Adapter 和 VLA-Adapter-Pro 均以 0.5B 规模列出。

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

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: 111; 出处Hugging Face
Hub 点赞: 8; 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-Spatial", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained("VLA-Adapter/LIBERO-Spatial", 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)