GraspVLA

数据配方

预训练真机数据为 0，只用 SynGrasp-1B：约 10 亿帧、约 1,000 万条轨迹，并与互联网图文数据共训。管线：Objaverse 网格落桌、抓取合成、CuRobo 规划无碰撞轨迹、MuJoCo 验证、Isaac Sim 渲染并随机化光照/背景/相机；240 类物体、约 1 万个实例、约 100 万个场景。160 张 RTX 4090 跑 10 天，论文估算总成本约 5,000 美元 [1][2]。

结果与证据

真机 300 次试验（15 物体 x 2 次 x 5 测试集 x 2 组物体）：基础测试集合成类与网络类物体均 93.3%，各测试集约 90% 以上；对照 π0 在基础集 80.0%（合成类）/40.0%（网络类），带跨本体预训练的 π0 更低（66.6%/33.3%）[2]。作者指出仿真内性能更早饱和，sim2real gap 随训练帧数增加而缩小。

已知缺陷与口径

仅限单一抓取设定，不覆盖长程或灵巧操作。5,000 美元为论文估算，不含资产与研发，折算单条约 0.0005 美元为推算。对照 π0 的比较设置由作者选定，样本量小。

来源

1. arXiv 2505.03233 (2026-10-14)
2. https://arxiv.org/html/2505.03233v3 (2026-10-14)