常用VLA模型及特点对比

1

VLA技术路线

目前主流的VLA模型主要基于三类核心技术路线，它们的根本差异在于如何处理机器人动作的生成：

自回归路线

将连续动作离散化为Token，再用类似处理文本的方式，从左到右逐个预测这些动作Token。

• 核心机制 ：动作Token化 + 复用大语言模型（LLM）的“下一个词预测”范式。
• 优势 ：能直接复用成熟的LLM架构，语言理解能力强。
• 劣势 ：容易产生 误差累积 ，且串行生成方式导致推理慢，不擅长高频连续动作。

扩散路线

通过“加噪-去噪”的迭代过程，从随机噪声中逐步精炼出最终的动作。

• 核心机制 ：去噪扩散概率模型。
• 优势 ：能并行生成完整动作序列，全局一致性高，天生适合处理高维度和多模态的动作分布。
• 劣势 ：通常需要多次采样迭代，计算成本较高。

流匹配路线

可以看作是扩散模型的进阶版，它不模拟扩散过程，而是直接学习一条从随机噪声“流向”目标动作的“直线路径”。

• 核心机制 ：学习一个“流场”直接映射噪声到动作。
• 优势 ：结合了扩散模型的全局建模能力，训练和采样更高效，能生成 平滑、连续的动作 ，是目前处理高频精细动作的前沿方向。

2

VLA模型对比

行业标杆与奠基者

RT-2：VLA概念的奠基者

RT-2由Google DeepMind于2023年提出，核心是 将预训练的视觉-语言模型（VLM）与机器人动作数据进行联合微调 ，将VLM的知识迁移到机器人控制中。它开创性地将机器人动作离散化为Token，统一到语言模型中处理。但该架构动作生成是串行的，效率不高，且受限于当时技术，动作平滑度一般。

π系列：流匹配路线的性能标杆

Physical Intelligence发布的π0采用 稀疏混合专家（MoE）架构 ，包含VLM专家（30亿参数）和动作专家（3亿参数），并通过 流匹配 技术生成平滑、连续的动作。后续的π0.5通过“知识绝缘”微调技术，进一步提升了泛化能力，同时保持了对高频精细动作的控制精度。它在零样本场景中的泛化能力是目前的天花板之一，但对算力要求较高，且技术细节未完全公开。

开源与轻量化力量

OpenVLA：开源社区的基石

OpenVLA基于Llama 2构建，在Open X-Embodiment数据集的97万条轨迹上微调，是开源社区最流行的VLA基座模型之一。它的开源特性和强大的泛化能力为VLA技术普及做出了巨大贡献，但由于基于自回归架构，推理效率仍是瓶颈。

SmolVLA：真正“小而美”的开源模型

Hugging Face推出的SmolVLA仅4.5亿参数，能在MacBook或普通GPU上运行。它基于SmolVLM-2视觉语言模型，采用 流匹配 技术生成动作，通过减少视觉Token数、层跳过和异步推理等设计实现高效运行。它在计算效率和开源友好性上做到了极致，是资源受限研究的绝佳起点。

X-VLA：跨本体泛化的高效代表

清华和上海AI Lab提出的X-VLA仅0.9B参数，但通过 流匹配+软提示 技术，在不同机器人形态间展现出强大的零样本迁移能力。它在数据效率上表现惊人，仅需少量数据即可学会复杂任务（如叠衣服）并迁移到新机器人上，但其轻量化的极限仍在探索中。

产业与场景落地派

GOVLA：全域全身控制的开拓者

智平方的GOVLA采用“ 快慢双系统 ”架构， 首次突破了常规VLA仅输出机械臂动作的限制，能同时输出全身控制和移动轨迹 ，实现对移动底盘和机械臂的统一协调。它更适合需要跨区域移动、多机协作的工业制造等复杂场景，但对底层硬件控制和系统集成的挑战极高。

HoloBrain-0：强化空间理解的轻量化开源模型

地平线的HoloBrain-0 首创性地在架构中显式注入机器人本体信息 （如相机参数、运动学结构），使模型具备更强的3D空间感知能力。它提供0.2B和1.1B两个版本，轻量版证明了在端侧芯片上部署复杂VLA的可行性。它对3D空间关系的精确理解是其他模型难以比拟的，但受限于轻量化，其复杂推理能力可能弱于超大模型。

WALL-A：追求零样本泛化的超大模型

自变量机器人的WALL-A 首创了“世界模型+VLA”深度融合的联合框架 ，通过世界模型进行时空状态预测和因果推理，帮助模型内化物理常识。WALL-A以参数规模最大著称，零样本泛化能力强，能在95%以上的场景中完成数分钟级别的长程任务，但超大规模参数带来的实际部署成本不容忽视。

前沿学术探索

Goal-VLA：零样本操作的新范式

新加坡国立大学提出的Goal-VLA 将规划与控制彻底解耦 ，使用图像生成式VLM作为“以物体为中心的世界模型”来生成语义目标状态，然后由免训练的底层策略执行。它无需成对的“指令-视觉-动作”数据，能实现强大的零样本泛化，但目前在复杂实时任务中的泛化能力仍需验证。

EfficientVLA & FlashVLA：加速框架

这两个都不是独立模型，而是即插即用的加速框架。 EfficientVLA 将CogACT推理速度提升1.93倍，计算量降至28.9%； FlashVLA 通过“动作复用”策略，计算量减少55.7%。它们能对现有VLA模型进行高效加速，但对特定架构的适配性需要验证。

3

多维度横向对比

4

总结

这14个模型大致可以分为四类：

• 性能标杆型 ：追求最优泛化和动作质量 → π系列、WALL-A
• 轻量高效型 ：追求计算效率和快速落地 → SmolVLA、X-VLA
• 产业落地型 ：追求场景适配和系统集成 → GOVLA、HoloBrain-0
• 前沿探索型 ：追求技术突破 → Goal-VLA、加速框架

对于清洁场景 （需要机械臂精细力控、场景相对固定）：

• 首选π0系列或X-VLA ：它们的流匹配架构能生成平滑的力控动作，泛化能力强，且对接触类任务友好。
• 若资源有限 ：从 SmolVLA 开始快速原型验证，它能在普通硬件上运行，社区生态完善。
• 若需要移动底盘+机械臂协同 ：考虑 GOVLA ，它是目前唯一能同时控制移动和操作的模型。
• 若在端侧部署、对空间感知要求高 ： HoloBrain-0 是理想选择，它的0.2B版本能在端侧芯片高效运行。