OpenVLA: An Open-Source Vision-Language-Action Model
OpenVLA: An Open-Source Vision-Language-Action Model
Ted Xiao · Ashwin Balakrishna · Suraj Nair · Rafael Rafailov · Ethan Foster · Pannag Sanketi · Quan Vuong · Thomas Kollar 等
一句话结论
OpenVLA 的价值不只是开源一个 VLA 模型,而是把可训练、可微调、可部署的完整开源机器人大模型工作流真正落到了实践层面。
关键词
摘要
中文摘要
基于互联网规模视觉语言数据和多样化机器人示范进行预训练的大模型,有可能改变机器人学习新技能的方式:我们不再需要从零开始训练新行为,而是可以通过微调 vision-language-action(VLA)模型来获得更稳健、更具泛化性的视觉运动控制策略。然而,VLAs 在机器人领域的广泛采用一直受限于两个问题:其一,现有 VLA 大多是闭源的,公众难以访问;其二,已有工作没有系统探索如何高效微调 VLA 以适配新任务,而这恰恰是实际采用的关键。为了解决这两个问题,作者提出 OpenVLA,一个 70 亿参数、开源的 VLA 模型,训练数据来自 97 万条真实机器人示范。OpenVLA 以 Llama 2 为语言骨干,并结合融合 DINOv2 与 SigLIP 特征的视觉编码器。得益于更丰富的数据和新的模型组件,OpenVLA 在通用操作任务上表现强劲:在跨 29 个任务和多个机器人平台的评测中,它以少 7 倍参数量的代价,在绝对任务成功率上比闭源模型 RT-2-X(55B)高出 16.5%。作者进一步展示,OpenVLA 可以有效微调到新机器人设置上,特别是在多对象、多任务和强语言 grounding 环境中具有较强泛化能力,并比从零训练的 Diffusion Policy 高出 20.4%。此外,作者还讨论了计算效率:OpenVLA 可以通过低秩适配方法在消费级 GPU 上完成微调,并通过量化高效部署而几乎不损失下游成功率。最后,作者开源了模型权重、微调 notebook 和支持大规模 Open X-Embodiment 数据训练的 PyTorch 代码库。
英文摘要
Large policies pretrained on a combination of Internet-scale vision-language data and diverse robot demonstrations have the potential to change how we teach robots new skills: rather than training new behaviors from scratch, we can fine-tune such vision-language-action (VLA) models to obtain robust, generalizable policies for visuomotor control. Yet, widespread adoption of VLAs for robotics has been challenging as 1) existing VLAs are largely closed and inaccessible to the public, and 2) prior work fails to explore methods for efficiently fine-tuning VLAs for new tasks, a key component for adoption. Addressing these challenges, we introduce OpenVLA, a 7B-parameter open-source VLA trained on a diverse collection of 970k real-world robot demonstrations. OpenVLA builds on a Llama 2 language model combined with a visual encoder that fuses pretrained features from DINOv2 and SigLIP. As a product of the added data diversity and new model components, OpenVLA demonstrates strong results for generalist manipulation, outperforming closed models such as RT-2-X (55B) by 16.5% in absolute task success rate across 29 tasks and multiple robot embodiments, with 7x fewer parameters. We further show that we can effectively fine-tune OpenVLA for new settings, with especially strong generalization results in multi-task environments involving multiple objects and strong language grounding abilities, and outperform expressive from-scratch imitation learning methods such as Diffusion Policy by 20.4%. We also explore compute efficiency; as a separate contribution, we show that OpenVLA can be fine-tuned on consumer GPUs via modern low-rank adaptation methods and served efficiently via quantization without a hit to downstream success rate. Finally, we release model checkpoints, fine-tuning notebooks, and our PyTorch codebase with built-in support for training VLAs at scale on Open X-Embodiment datasets.
直观理解
可以把 OpenVLA 理解成一个把视觉输入、语言指令和机器人动作统一进同一生成框架里的大模型底座,然后你可以像调教基础模型一样去微调它,让它适配新的机器人和任务。
背景与问题
为什么做
机器人领域已经开始从单任务策略转向可复用的基础模型路线,而 VLA 正是把视觉、语言和动作统一到同一模型里的代表方向。
问题缺口
作者要解决的核心问题不是再做一个更大的机器人模型,而是如何给社区提供一个真正可用的开源 VLA:既要有足够强的通用操作能力,又要能在新机器人和新任务上高效微调,还要在部署成本上可接受。
方法
方法概述
方法概述: OpenVLA 是一个 70 亿参数的开源 VLA 模型,目标是让机器人领域拥有一个既能和闭源大模型竞争、又真正可微调和可部署的通用操作模型基座。
核心机制: OpenVLA 建立在 Llama 2 语言模型之上,用融合 DINOv2 和 SigLIP 的视觉编码器提取观察特征,再将视觉与语言上下文统一映射到动作生成流程中,从而实现图像、语言、动作的一体化建模。
方法拆解: - 模型主体由视觉编码器、视觉到语言空间的投影层,以及 Llama 2 语言骨干组成,最终直接预测 7 维机器人控制动作。
- 训练阶段使用 97 万条真实机器人示范,并利用 Open X-Embodiment 风格的数据混合,强调跨平台和跨任务的数据多样性。
- 作者不仅训练基础模型,还系统研究了新机器人设置下的数据高效适配、LoRA 等参数高效微调,以及量化后的低内存推理。
关键要点: - OpenVLA 把机器人基础模型是否必须闭源这个问题正面回答了:不必。
- 论文最强的贡献不只是模型本身,而是把训练、适配、部署三件事连成了一条可复现的开源链路。

方法图
核心机制
OpenVLA 建立在 Llama 2 语言模型之上,用融合 DINOv2 和 SigLIP 的视觉编码器提取观察特征,再将视觉与语言上下文统一映射到动作生成流程中,从而实现图像、语言、动作的一体化建模。
方法拆解
- 模型主体由视觉编码器、视觉到语言空间的投影层,以及 Llama 2 语言骨干组成,最终直接预测 7 维机器人控制动作。
- 训练阶段使用 97 万条真实机器人示范,并利用 Open X-Embodiment 风格的数据混合,强调跨平台和跨任务的数据多样性。
- 作者不仅训练基础模型,还系统研究了新机器人设置下的数据高效适配、LoRA 等参数高效微调,以及量化后的低内存推理。
关键要点
- OpenVLA 把机器人基础模型是否必须闭源这个问题正面回答了:不必。
- 论文最强的贡献不只是模型本身,而是把训练、适配、部署三件事连成了一条可复现的开源链路。
结果
- 在 29 个任务和多个机器人平台上,OpenVLA 以 7 倍更小的参数规模,相比 RT-2-X 获得 16.5% 的绝对成功率提升。
- 在新机器人设置的微调实验中,OpenVLA 在多对象和强语言 grounding 场景下表现出比 Diffusion Policy 更强的泛化,最高绝对提升达到 20.4%。
- 参数高效微调实验表明,LoRA 在训练参数只占 1.4% 的情况下,就可以达到接近全量微调的效果。
- 量化实验表明,4-bit 推理几乎不损伤成功率,却能显著降低显存占用。
关键创新
- OpenVLA 把机器人基础模型是否必须闭源这个问题正面回答了:不必。
- 论文最强的贡献不只是模型本身,而是把训练、适配、部署三件事连成了一条可复现的开源链路。
结果速览表
| 指标 | OpenVLA | 结论 |
|---|---|---|
| 模型规模 | 7B | 明显小于 RT-2-X 55B |
| 通用操作成功率 | +16.5% vs RT-2-X | 闭源强基线之上 |
| 微调相对 Diffusion Policy | +20.4% | 新设置适配更强 |
| LoRA 训练参数占比 | 1.4% | 参数高效微调可行 |
| 量化推理 | 4-bit 几乎无损 | 部署成本更低 |
洞察
- 这篇论文真正改变的是机器人社区的研发起点:以后大家不必总从零开始训练策略,而可以围绕一个开源 VLA 基座持续累积能力。
- OpenVLA 的价值不只在性能,而在它把基础模型、适配与部署变成了可被社区继承和复用的公共资产。
和已有方法的关系
- 相对 RT-2-X 这类闭源大模型,OpenVLA 更强调开放性和可复现性。
- 相对 Diffusion Policy 这类从零训练的策略模型,OpenVLA 的核心优势是把基础模型预训练带来的迁移性引入机器人控制。
可借鉴点
- 如果一个模型想成为领域基座,必须同时解决训练、微调和部署,而不是只在单个 benchmark 上赢。
- 视觉编码器融合和参数高效微调在具身场景里是非常务实的技术路线。
风险与判断
局限
- 论文的主要贡献偏基础设施和生态层面,因此它并不自动解决真实机器人上的安全、延迟、数据偏差和执行鲁棒性问题。
适用场景
- 多平台通用操作、具身智能研究基座,以及需要快速适配新机器人设置的实验室环境。
最终判断
- 这篇论文更像一个开源机器人基座项目,而不只是单篇模型论文。
图表
相关主题
Vision-Language-Action
> 把视觉、语言和动作统一进同一策略建模框架,是当前具身智能主线之一。
打开主题
继续阅读
上一篇
MEM: Multi-Scale Embodied Memory for Vision Language Action Models
这篇工作的重点,是把机器人策略里的“记忆”从单一历史帧堆叠,升级成多尺度、多模态的长期记忆结构。MEM 用视频短期记忆处理最近视觉细节,用文本长期记忆保留高层语义进度,从而把 VLA 推到更长时间跨度的任务上。
下一篇
π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities
π0.7 的关键价值不只是把模型继续做大,而是把“可控的通才机器人策略”往前推了一步。它试图解决的核心问题是:当训练数据越来越杂时,机器人基础模型怎样既能吃下示范、失败轨迹、人类视频和网页数据,又不在推理时退化成平均化、含糊的动作。作者给出的答案是把“怎么做”也写进 prompt,包括子任务语言、子目标图像、质量/速度/错误等 episode metadata,让模型学会在多模态上下文里被 steer。