OpenVLA
论文与基准数据集与格式
7B 开源 VLA，用 OXE 筛选出的约 97 万条轨迹训练
- 数据类型
- 真机遥操演示
- 规模口径
- 约 970K 条轨迹，源自 OXE（70+ 数据集、200 万+ 轨迹）
- License
- 代码 MIT；权重受 Llama 2 Community License 约束
- 链接
- arxiv.org；github.com
数据配方
骨干为 Llama 2 7B，视觉端融合 DINOv2 与 SigLIP [1]。数据取自 Open X-Embodiment (OXE)（70+ 数据集、200 万+ 轨迹），仅保留至少一路第三人称相机、单臂末端执行器控制的操作数据，沿用 Octo 的混合权重（降低低多样性数据、提高任务与场景多样性数据），最终约 97 万条 [2]。DROID 以 10% 权重加入，因动作 token 准确率偏低，训练末三分之一移除并重分配权重 [2]。数据先转为 RLDS 格式 格式，BridgeData V2 需用官方新版替换 OXE 旧版（见 BridgeData V2），自有数据通过 transforms 与 dataset config 注册标准化 [3]。"22 本体"为 OXE 原论文口径，OpenVLA 论文该节未复述 ⚠️。
结果与证据
29 个任务上绝对成功率比 RT-2-X（55B）高 16.5 个百分点，参数少 7 倍 [1]。Franka 微调中是唯一在所有测试任务达到至少 50% 成功率的方法；LoRA 仅训练约 1.4% 参数即可匹配全量微调 [4]。
已知缺陷与口径
仅支持单图输入，不含本体状态与历史；无 action chunking，高频（如 ALOHA 50Hz）受限，成功率通常低于 90% [2]。数据中的停顿动作会致推理卡住，建议 5–10Hz 采集 [3]。语义泛化弱于 RT-2-X；训练耗 64 张 A100、15 天 [4]。许可方面 MIT 仅覆盖代码，权重继承 Llama 2 限制 [3]。
来源
相关卡片
卡片整理 2026-10-14。公司自报数据标“公司口径”；⚠️ 为未经独立核实。