OpenVLA: An Open-Source Vision-Language-Action Model

OpenVLA是由Stanford、UC Berkeley等机构于2024年联合发布的开源视觉-语言-动作模型，基于7B参数的Prismatic VLM架构。该模型在Open X-Embodiment数据集的970k条机器人轨迹上微调，支持多种机器人形态和操作任务，能够理解复杂的自然语言指令并输出高精度的连续动作。OpenVLA提供了完整的训练、微调和部署代码，是目前最具影响力的开源VLA模型之一。arXiv:2406.09246。