InternRobotics/InternVLA-M1

解决的问题

InternVLA-M1 解决了创建能够理解复杂视觉场景并执行精确动作的通用机器人策略的挑战。它旨在通过提供一个易于扩展并可在多样化数据集上训练的框架，来弥合高阶视觉语言理解与低阶机器人控制之间的差距。

运作原理

该框架采用了空间引导的视觉-语言-动作 (VLA) 方法。它在统一系统中整合了语言头与动作头，允许在训练期间进行双重监督。通过利用大规模多模态预训练 (例如 Qwen2.5-VL) 并应用空间提示微调，该模型将视觉与空间先验知识迁移至机器人任务，从而实现快速收敛，无需单独进行动作预训练。

适用对象

• 希望使用开源视觉语言模型 (VLM) 进行机器人控制的开发者。
• 正在将动作数据集与多模态视觉语言数据进行联合训练的团队。
• 研究 VLA 架构与训练策略的研究人员。

特点

• 双系统架构：结合语言头与动作头进行协同训练。
• 模块化设计：将模型架构、训练数据与评估流程解耦，便于调试与扩展。
• 硬件灵活性：支持 NVIDIA CUDA、Intel GPU (XPU) 与 CPU。
• 高性能：在 WindowX、Google Robot 与 LIBERO 等基准测试中展现了 SOTA 等级的收敛速度与强大的结果。