Dita

用同一个 Transformer 直接对整段动作去噪的开源通用 VLA 策略，约 3.3 亿参数。

Dita 是上海人工智能实验室、浙江大学、商汤、港中文、北大、清华等机构的研究者于 2025 年 3 月发布的通用机器人策略，收录于 ICCV 2025。不少扩散式 VLA 在大模型后面接一个小的扩散动作头（专门把噪声变成动作的小网络），动作只能看到压缩后的特征。Dita 把语言 token、历史图像的视觉 token 和带噪声的动作 token 拼进同一个因果 Transformer 里一起去噪（上下文条件化），让动作直接对齐原始视觉细节，更好地刻画动作增量和环境差异。模型在 Open X-Embodiment 跨本体数据上预训练，总参数约 3.34 亿（可训练约 2.21 亿），在 SimplerEnv、LIBERO、CALVIN、ManiSkill2 等仿真基准上达到或接近当时最好水平。代码开源，定位是轻量、易复现的扩散 VLA 基线。

例子换到一台新的真机和新场景时，只用每个任务 10 条示范、单个第三视角相机微调，Dita 就能完成多步长程任务，并能应对背景、干扰物摆放和光照的变化。

也叫

RoboDita

相关

扩散 Transformer、视觉-语言-动作模型、扩散动作头、Open X-Embodiment 数据集、因果注意力、LIBERO

来源

Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy (arXiv 2503.19757)
Dita 项目主页

信息截至

2025-09