smolvla

2026 具身智能技术实战（一）：VLA 到底怎么控制机器人？——用 LeRobot 跑通 SmolVLA 推理给机器人一张桌面图片，再说一句“把红色方块放到蓝色托盘里”，接下来会发生什么？普通聊天模型通常给你一句回答。机器人需要的却是可以被控制系统使用的动作表示。两者之间，不是把一段自然语言直接发给电机那么简单。

SmolVLA模型整体结构解读SmolVLA（Small Vision-Language-Action model）是一个轻量级（约5亿参数）、端到端的视觉-语言-动作（VLA）模型，专为机器人控制设计，基于统一Transformer骨干与流匹配（Flow Matching）训练，实现“看图+听指令→生成连续关节动作”的多模态推理。

【中文翻译】SmolVLA：面向低成本高效机器人的视觉-语言-动作模型本文翻译自《SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics》，旨在促进相关技术在国内学术界的传播和发展。

我是有底线的