银河通用 GraspVLA

GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data (Galbot)进阶

银河通用等 2025 年发布的抓取大模型，主要靠十亿帧仿真合成数据预训练。

GraspVLA 由银河通用机器人（Galbot）联合北京大学王鹤团队、香港大学、北京智源人工智能研究院提出，2025 年 5 月发布，发表于 CoRL 2025。真机数据贵且难扩大规模，团队改在仿真里大规模生成：SynGrasp-1B 数据集约 10 亿帧，覆盖 240 类、1 万多个物体模型，对初始姿态、摆放、背景、光照、材质做大量随机化（域随机化），并用照片级渲染缩小虚实差距。模型采用「渐进式动作生成」：先自回归地预测目标物体的 2D 检测框，再预测抓取位姿，最后用流匹配生成动作块；训练时把合成数据和互联网图文数据一起用，让它能按开放词汇指令抓没见过类别的物体。数据集和模型权重已开源。