DexVLA

美的等提出的 VLA：视觉语言模型接上约十亿参数的扩散动作专家，适配多种本体。

DexVLA 由美的集团、华东师范大学、上海大学的研究者于 2025 年 2 月发布，发表于 CoRL 2025。它把视觉语言模型 Qwen2-VL（20 亿参数）和一个可插拔的扩散动作专家拼在一起：VLM 负责看图和理解指令，动作专家基于 ScaleDP 架构扩到约 10 亿参数，用多个输出头适配不同机器人，专门生成连续动作。训练按「本体课程」分三阶段：先用约 100 小时跨本体数据单独预训练动作专家；再接上 VLM、对齐到具体本体；最后用标注了子步骤的数据做任务后训练。它想解决早期 VLA 动作表示弱、训练贵、换机器人难的问题，和 π0 同属「VLM + 动作专家」路线。

例子论文在 Franka 单臂（夹爪或灵巧手）、双臂 UR5e 和松灵双臂上测试；不做任务专门适配就能叠衬衫（得分 0.92），在完整叠衣任务上得分 0.4，同条件下 π0 为 0.2。

相关

视觉-语言-动作模型、动作专家、扩散动作头、跨本体、π0、通义千问 Qwen-VL

来源

DexVLA (arXiv:2502.05855)
DexVLA 论文 HTML 全文 v3

信息截至

2025-08