OpenVLA
事实上的开源 VLA 基线——70 亿参数、MIT 许可证、HuggingFace 月下载量 152 万次，成功率比谷歌 550 亿参数的 RT-2-X 高出 16.5 个百分点。
1. 核心产品 / 服务
OpenVLA 是一个用于机器人操作的开源 70 亿参数视觉-语言-动作（VLA）模型，由斯坦福、加州大学伯克利分校、Google DeepMind、丰田研究院（TRI）和 MIT 的研究人员共同开发 [1]。它于 2024 年 6 月以 MIT 许可证发布，是首个可信地对标谷歌闭源 RT-2 系列的开源竞争者。
关键架构决策：
- 双视觉编码器：DINOv2（空间推理）+ SigLIP（语义理解）——相对当时的单编码器竞品是一种新颖做法 [1]。
- 基础 LLM：Llama 2 7B，在 Open X-Embodiment 数据集中约 97 万条机器人操作 episode 上微调，涵盖 70 多个数据集和 22 种机器人形态。
- 离散动作 token 化：每个动作维度 256 个分箱，映射到 Llama 2 中未使用的 token。
- 微调门槛：支持 LoRA/QLoRA，仅需 8 GB 显存的消费级 GPU 即可适配。
2025 年 2 月的 OpenVLA-OFT 更新用连续回归头取代离散动作 token，并加入动作分块（action chunking），吞吐量提升 26 倍，LIBERO 成功率从 76.5% 升至 97.1% [1]。2025 年 3 月发布的 PyTorch 训练流水线支持从 100 亿到 3,400 亿参数的扩展。
在 HuggingFace 上，OpenVLA-7B 月下载量约 152 万次——是第二名模型（GR00T-N1.7-3B，4.14 万次）的 36 倍，是该平台上使用最多的机器人模型，遥遥领先 [2]。
2. 目标用户与痛点
- 学术机器人研究者：需要一个强大的开源基线来在其上构建——OpenVLA 填补了谷歌闭源 RT-2 留下的空白。后续大多数 VLA 论文都以 OpenVLA 为基准或在其之上构建。
- 机器人初创公司：无需支付 API 费用或从零搭建，即可获得生产级质量的 VLA 模型。MIT 许可证允许商用。
- 边缘部署工程师：LoRA/QLoRA + 量化技术栈使 VLA 模型可在边缘硬件上运行——MiniVLA 及其他衍生模型正瞄准这一用例。
核心痛点：从零构建 VLA 需要 GPU 集群和海量机器人数据集，大多数实验室无法获得。OpenVLA 让起点变得平民化。
3. 竞争格局
| 模型 | 类型 | 是否开源 | 规模 |
|---|---|---|---|
| Google RT-2 / RT-2-X | 闭源 VLA | 否 | 550 亿参数 |
| GR00T N1 → N1.7 | 开放 VLA + WBC | 是（权重开放，代码未开放） | 30 亿 |
| PI π0.5 | 闭源 VLA | 否（HF 托管） | 30–40 亿 |
| G0.5（Galaxea） | 开源 VLA（统一自回归） | 是 | 约 20 亿 |
OpenVLA 的差异化在于开源的完整性（代码 + 权重 + 训练流水线，MIT 许可证）与学术中立性的结合——它不绑定任何单一机器人制造商或云厂商，因此成为后续模型对标的默认基线。
4. 独立观察
- 下载量是 GR00T 的 36 倍。 OpenVLA 月下载量 152 万次，而 GR00T-N1.7-3B 为 4.14 万次，在机器人模型使用量上领先一个数量级 [2]。这表明开发者社区明显更青睐 MIT 许可证的、真正开放的模型，而非绑定特定硬件生态的企业式开放模型。
- 学术—商业飞轮。 由于 OpenVLA 是默认基线，每篇新 VLA 论文都以它为基准 → 更多引用和社区信任 → 更多下载 → 更多衍生工作 → OpenVLA 继续作为基线。这与 BERT 和 ResNet 在各自时代称雄的动力机制相同。
- 从实验室到生产。 OpenVLA-OFT 的 26 倍提速和量化支持，正在推动实时机器人推理在廉价硬件上落地。如果在 Jetson 上 30 Hz 以上的 VLA 推理成为常态，研究演示与已部署机器人之间的壁垒将大幅降低。
5. 财务 / 融资
OpenVLA 是一个研究项目，而非商业实体——没有单独的融资轮次。开发工作由以下方面支持：
- 斯坦福大学、加州大学伯克利分校、Google DeepMind、TRI 和 MIT——由各贡献机构为研究人员提供经费。
- 该项目采用 MIT 许可证，通过 GitHub（github.com/openvla/openvla）和 HuggingFace 由社区维护。
6. 团队与关系
- 主要作者：Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti, Ted Xiao, Ashwin Balakrishna, Suraj Nair, Rafael Rafailov, Ethan Foster, Grace Lam, Pannag Sanketi, Quan Vuong, Thomas Kollar, Benjamin Burchfiel, Russ Tedrake, Dorsa Sadigh, Sergey Levine, Percy Liang, Chelsea Finn
- 托管：HuggingFace（openvla/openvla-7b）、GitHub（openvla/openvla）
- 竞争对手 / 对标基准：Google RT-2、nvidia-groot、physical-intelligence、Galaxea G0.5
- 所属：Open X-Embodiment 协作、LeRobot 生态
OpenVLA
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
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（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，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]。