ZR-0: Training Vision-Language-Action Models with Dense Embodied Chain-of-Thought Supervision

ZR-0是2026年发布的26亿参数端到端VLA模型，采用密集具身思维链监督来对齐跨本体表示。模型采用双流架构：预训练VLM（System 2）在训练中生成结构化ECoT推理，基于Diffusion Transformer的动作专家（System 1）负责快速动作预测。兼顾推理深度和控制实时性，在跨形态机器人操作上表现优异，适用于通用人形机器人、工业机械臂和移动操作平台的策略学习。