552B模型接入机器人控制:ScaleVLA测试显示泛化与精度提升

一篇 Hugging Face Papers 论文提出 ScaleVLA,把 552B 参数的 DeepSeek-V4.1-Flash 视觉语言模型接到可训练的动作 DiT 上,并在统一设置下比较 2B 到 552B 规模在机器人控制任务上的表现,摘要称大模型在样本效率、泛化和精细操作上都有提升。

一句话看懂:一篇 Hugging Face Papers 论文提出 ScaleVLA,把 552B 参数的 DeepSeek-V4.1-Flash 视觉语言模型接到可训练的动作 DiT 上,并在统一设置下比较 2B 到 552B 规模在机器人控制任务上的表现,摘要称大模型在样本效率、泛化和精细操作上都有提升。

事件核心:发生了什么

论文摘要显示,研究团队关注的问题是:前沿视觉语言模型(VLM)在机器人控制中展现的能力,是否也能成为 VLA(视觉-语言-动作)策略的表征基础。ScaleVLA 将 552B 的 DeepSeek-V4.1-Flash 骨干与可训练动作 DiT 连接,并在同一训练框架下系统对比 2B 至 552B 的 VLM。

摘要给出的关键数据包括:样本效率上,10 次演示即可超过 2B 骨干用 50 次演示的结果(87.8% 对 85.6%);LIBERO-PRO 泛化成功率 45.1%,小骨干最高 31.3%;真实充电器插入任务从 4/10 提升到 9/10,增益集中在接触敏感的对齐环节。此外,ScaleVLA 每个动作块中位延迟为 216 ms。

为什么重要

当前多数 VLA 策略仍依赖较小的 VLM 骨干,前沿大模型在物理动作上的潜力没有被充分挖掘。如果大规模预训练表征确实能提升机器人学习的效率和泛化,VLA 的路线选择可能从“小模型专用化”转向“大模型骨干加轻量动作头”。这也会影响算力分配、训练成本和推理架构的设计。

不过目前公开信息仅为论文摘要,尚未核验全文实验细节,相关结果应限定在摘要所述的任务和评测条件下理解,不能视为长期排名或已落地产品能力。

对用户/开发者/创作者的影响

对机器人开发者而言,这项研究提示可以把闭源或开源的大 VLM 作为感知与推理底座,再训练动作模块,而不是从头训练小模型。216 ms 的动作块延迟表明大规模骨干在推理侧并非完全不可用,但实际部署仍取决于硬件与任务频率。对企业采购和投资判断来说,值得观察大模型 API 或开源权重能否以可控成本进入机器人栈,以及数据效率和泛化收益是否在更多真实任务中复现。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是论文全文是否公开完整实验设置与消融结果;二是 216 ms 延迟在更高控制频率任务中的表现;三是是否出现开源实现或复现实验,以及同类团队是否跟进更大骨干的 VLA 路线。

来源:Hugging Face Papers

celebrityanime
celebrityanime
文章: 36045

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注