← 视觉 · 语言 · 动作 / 多任务与跨本体OpenVLA 模型架构OpenVLA · 项目页 ↗
正式发表 / Vision–Language–Action
OpenVLA
OpenVLA: An Open-Source Vision-Language-Action Model
CoRL · 2024
快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗
关键框架 FRAMEWORK
双视觉编码器经 projector 连接语言模型,预测的动作 token 再解码为控制量。
- 01DINOv2 + SigLIP
- 02Projector + Llama 2
- 03动作 token 解码
THE IDEA
它在解决什么
将预训练视觉语言模型与机器人动作数据结合,提供开放的 VLA 及适配方案。
WHY READ IT
为什么放在这条路线
开放 VLA 的实用基线,可以对照 RT-2 理解模型、数据和微调选择。
READ WITH A QUESTION
读的时候,留意什么
按 CoRL 2024 会议年份记录;论文集于 2025 年出版。复现时核对动作归一化和相机输入。
我的阅读笔记
LOCAL NOTES笔记仅保存在当前浏览器