InternRobotics/InternVLA-A-series

解决的问题

InternVLA-A1.5 通过将三个关键能力——视觉-语言理解、视觉预测（预测未来动力学）和动作生成——统一到单个策略中，解决了机器人操作中的组合泛化挑战。

工作原理

该系统使用 Qwen3.5-2B VLM 作为骨干网络，通过共享的全注意力层添加轻量级统一动作专家。在训练期间，它使用可学习的预测 token 从多模态上下文中查询未来动力学，并由冻结的 WAN2.2-5B 视频生成模型进行监督。在实际部署时，为了保持低延迟，会舍弃视频分支，模型使用 flow matching 来预测连续的动作块。

适用对象

专为从事机器人操作研究的机器人研究人员和开发人员设计，特别是那些希望提高机器人在不同仿真基准测试（如 RoboTwin、LIBERO 和 SimplerEnv）和真实世界设置中任务泛化能力的人员。

亮点

• 统一架构：将理解、预测和动作结合在一个模型中。
• 潜在预测：在训练期间使用视频生成模型来教导策略未来的任务动力学。
• 高效推理：在运行时舍弃沉重的视频分支，以确保实际部署的延迟。
• 广泛的兼容性：支持在 LeRobot V2.1 数据集和各种仿真环境中进行微调。