RoboFine-VLM 是面向机器人操作视频理解的微调视觉语言模型，基于 Qwen3.5-VL-397B-A17B，采用 Qwen3.5 MoE 架构，总参数 397B、每 token 激活约 17B。模型通过机器人操作数据做 SFT，训练数据为 FineVLA-Data，包含 47,159 条经人工验证的细粒度指令轨迹。

模型能力覆盖机器人视频 VQA，以及面向操作过程的细粒度逐步标注；标注维度包括动作顺序、执行臂或末端、目标物体、初末状态、接触与接近方式、轨迹与姿态、身体或关节运动、物体交互、失败与恢复等。其在 RoboFine-Bench 上评估，VQA 设置包含 10 个数据集的 500 个机器人操作样本，并给出了 VQA 与 caption 分解结果。

使用上可在 vLLM 或 SGLang 等框架部署后通过 OpenAI SDK 的 Chat Completions API 调用。硬件表列出 BF16 权重约 752GB、FP8 权重约 376GB；BF16 需 8×H200-141GB，8×A100/H100-80GB 需 FP8 量化。许可为 Apache 2.0。