TinyVLA

用小型多模态模型加扩散策略头、不做机器人数据预训练的快速 VLA

美的集团 AI Lab 与华东师范大学等（Junjie Wen、Yichen Zhu 等）2024 年 9 月发布，发表于 IEEE RA-L 2025。当时的 OpenVLA 等模型推理慢，还要先在大规模机器人数据上预训练。TinyVLA 的做法是：先按 LLaVA 流程训练一族以 Pythia 为语言模型、参数 7000 万到 14 亿的小型视觉语言模型，作为策略骨干；在机器人数据上微调时冻结预训练部分，只用 LoRA 训练约 5% 的参数，并接一个扩散策略解码器直接输出连续动作。在 Franka 单臂和双臂 UR5 真机上，最大的 TinyVLA-H 成功率比 OpenVLA 高 25.7%，参数少 5.5 倍，推理延迟低约 20 倍。同一团队之后又做了 DexVLA。

例子在双臂 UR5 任务上，依赖单臂 Open X-Embodiment 数据预训练的 OpenVLA 表现吃力，而不做机器人预训练、直接微调的 TinyVLA 表现更好。

也叫

Tiny-VLA

相关

视觉-语言-动作模型、OpenVLA、扩散策略、低秩适配、推理延迟、DexVLA

来源

TinyVLA (arXiv 2409.12514)
TinyVLA project page

信息截至

2025-05