Dexbotic 开源深度解析：重构具身智能 VLA 研发的技术基石与实现路径
大家好，我是AI算法工程师七月，曾在华为、阿里任职，技术栈广泛，爱好广泛，喜欢摄影、羽毛球。目前个人在烟台有一家企业星瀚科技。
我会在这里分享关于 编程技术、独立开发、行业资讯，思考感悟 等内容。爱好交友，想加群滴滴我，wx：swk15688532358，交流分享
如果本文能给你提供启发或帮助，欢迎动动小手指，一键三连 (点赞、评论、转发)，给我一些支持和鼓励，谢谢。
作者：七月 链接：julyblog 来源：七月 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
Dexbotic 开源
今天的 VLA 研究分散在各个机构，每个研究团队都在用自己的规则"下棋"。他们采用不同的数据格式，基于不同的模型架构，运行在不同的实验环境中。这种碎片化的研发状态，让全球研究陷入了一场低效的"中盘缠斗"。一个根本性的问题被长期搁置：一个算法在另一个实验室表现不佳，我们很难判断，究竟是因为设计缺陷，还是仅仅因为"水土不服"。当公平比较都难以实现时，有效的知识积累与真正的技术进步又从何谈起？为打破这一困境，Dexmal 原力灵机开源了 Dexbotic。
作为一套基于 PyTorch 框架的开源视觉-语言-动作模型工具箱，Dexbotic 从数据、模型到实验三个层面，为具身智能研究者提供了一种标准化、模块化且高性能的一站式科研基础设施。它的出现，显著提升 VLA研究的工程效率，或将为具身智能落下"第三十七手"。
这次的 Dexbotic，解决的是"训练标准缺失"的问题。
就像计算机视觉有 MMDetection，NLP 有 Transformers 库，Dexbotic 试图成为具身智能领域的标准化工具箱。
添加图片注释，不超过 140 字（可选）
总结来说，Dexbotic 提供了一套同时支持多个主流 VLA 算法的代码库，用户只需配置一次环境，基于所提供的预训练模型，即可在各类仿真环境中复现各类主流 VLA 算法。
不用再从头配环境，不用再猜别人的参数，更不用担心预训练模型过时。
老规矩，先放传送门：
官网： Dexbotic Paper ： dexbotic.com/Dexbotic_Te... GitHub： github.com/Dexmal/dexb... Hugging Face： huggingface.co/collections...
现在我们一起看看 Dexbotic 到底做了什么？
Dexbotic 做了什么？
简单点说，Dexbotic 做了三件事：统一框架、统一数据、提供更强的预训练模型 。
统一数据
传统VLA研究经常因为数据往往格式各异、命名混乱，视频、传感器状态与文本描述难以统一对齐而陷入混乱，各种信息常需手工对齐，既耗时又易错。
对此，Dexbotic设计了一种名为Dexdata的统一高效的数据格式，为UR5、Franka、ALOHA、ARX5等多款主流机器人提供统一的数据格式。
在Dexdata格式中，所有内容被结构化存储为两个核心目录：视频目录与JSONL目录，视频目录中存储.mp4格式的视频文件，而JSONL目录中存储对应的文本信息。每个JSONL文件包含单个机器人任务的完整数据，还包含index_cache.json文件，用于记录所有任务的元数据并加速数据访问。
基于Dexdata格式的数据，系统将自动执行数据处理流程，提取图像、文本及状态信息用于模型训练，提高训练效率。相比Lerobot与RLDS等格式，Dexdata在数据加载与模型训练阶段能显著节省存储空间。
添加图片注释，不超过 140 字（可选）
数据标准化是研究的基础，实则决定了后续多机器人、多视角的可拓展性，也决定了具身智能的规模化发展潜力。
Dexdata的创新之处，就在于没有局限于单一机器人类型，而是构建了可拓展的通用框架，让不同机器人的数据能够在同一框架下复用。Dexmal原力灵机团队还表示，他们将持续扩展Dexdata的适配范围，让更多机器人平台接入这一标准。把所有 VLA 模型抽象成两部分：视觉-语言模型（VLM）+ 动作专家（Action Expert）。VLM 负责「看懂」和「理解」，Action Expert 负责「执行」。这样一来，不管你用的是扩散模型还是流匹配，底层的 VLM 都可以复用，就这么简单。
提供更强的预训练模型
Dexbotic从零开始预训练了视觉-语言模型DexboticVLM， 既可以直接支持离散VLA训练，也可以作为现有VLA策略的基座模型。该模型采用模块化设计，整合了CLIP作为视觉编码器、两层MLP作为投影层、Qwen2.5作为大语言模型。
Dexbotic 提供了两种预训练模型：
离散型预训练模型（Dexbotic-Base）： 适用于通用VLA策略，模型使用了来自Open-X Embodiment数据集、RLBench、Libero、Maniskill2等多个仿真器的数据，并融合了UR5等真实机械人的数据。，用离散化token形式来学习动作空间。研究者可直接在此模型上微调，复现π0、OFT、CogACT、MemoryVLA等主流算法，而无需从零训练。
添加图片注释，不超过 140 字（可选）
连续型预训练模型（Dexbotic-CogACT）： 专为连续动作策略设计，包括单臂和双臂两个版本。单臂模型基于Dexbotic-Base进行连续表征预训练，数据来自Open-X Embodiment子集与团队私有数据集；双臂版本包含来自8种真实单臂机器人（UR5、Franka、UniTree Z1、Realman GEN72、ARX5等）的52个任务数据，还进一步引入Robomind、AgiBot World 及 ALOHA双臂数据，以支持多视角输入与双臂任务。
Dexbotic这种同时覆盖离散与连续动作策略的设计，精准击中了当前VLA研究的核心需求差异，既兼顾了学术研究的开放性，又考虑了产业落地的实用性。
目前，DexboticVLM了同时提供支持π0、OpenVLA-OFT、CogACT、MemoryVLA等多种VLA策略的统一代码库，用户仅需一次环境配置即可复现多种VLA方法。另外，用户也可以便捷地自定义新的VLA模型。这就让研究者无需重复搭建环境，也能轻松横向比较不同策略的性能，从而在统一标准下推动算法的进化。
基于最新的 Qwen2.5，从头预训练了一个视觉-语言模型，叫 DexboticVLM 。然后，基于这个模型，重新训练了几个主流的 VLA 算法------Pi0、CogACT、OpenVLA-OFT、MemoryVLA。效果也很明显。
拿 SimplerEnv 这个仿真环境来说，它包含 4 个操作任务：把勺子放在毛巾上、把胡萝卜放在盘子上、堆叠方块、把茄子放进篮子。
CogACT 官方版本的平均成功率是 51.3%，用了 Dexbotic 的预训练模型之后，直接飙到 69.5%------提升了 18 个百分点。
添加图片注释，不超过 140 字（可选）
OFT 更夸张：官方版本只有 30.2%，用了 Dexbotic 之后变成 76.4%------提升了 46 个百分点。
再看 CALVIN 这个长时任务基准。它要求机器人连续完成多个指令，比如"先打开抽屉，再拿出红色方块，然后放到桌上"。这考验的是机器人的长时记忆和任务规划能力。CogACT 官方版本平均能连续完成 3.25 个任务，用了 Dexbotic 之后能完成 4.06 个------提升了 25%。
意味着同样的算法，用了更好的基础模型，性能起飞了。
当然，仿真环境的成功率再高，也不如真机测试来得实在。
Dexmal 原力灵机团队在真实机器人上做了大量实验，包括 UR5e、Franka、ALOHA、ARX5 等多种平台。
添加图片注释，不超过 140 字（可选）
从视频可以看到，有些任务的成功率已经很高了------比如用 UR5e 摆盘子，成功率达到 100%；用 ALOHA 叠碗，成功率 90%；用 ARX5 搜索绿色盒子，成功率 80%。
统一框架
在传统的VLA开发流程中，研究者需要手动配置大量YAML文件，这些配置复杂、易错，不仅浪费大量时间，也容易让科研的可复现性陷入混乱。
而Dexbotic秉持着"实验为中心"的理念，重塑了这一流程。它创新性引入的实验脚本机制， 把一套复杂的实验配置，简化为一套可继承的脚本体系，在确保系统稳定性的同时支持快速实验迭代开发。
具体来说，用户不再需要手动维护庞杂的配置文件，可基于base_exp脚本继承配置，修改优化器、数据、模型等字段，不必复制完整文件即可创建新的实验方案。运行命令格式为：python xxx_exp.py -task train。
这样的机制就意味着，研究人员的时间不再浪费在环境修补与路径兼容上，而能真正投入到算法优化本身，提升研究单位产出。不仅提升了个体效率，更能加速整个行业的技术迭代速度，形成良性创新循环。
Dexbotic同时支持云端与本地一体化训练， 它既可运行在阿里云、火山引擎等大规模云训练平台上，也适配RTX 4090等消费级显卡的本地训练环境。这让研究门槛被大幅降低，中小型团队甚至个人研究者，都可以以更低成本参与到具身智能的创新浪潮中。可以说，Dexbotic让做实验本身重新变成了一件轻松、高效且透明的事情。