starVLA/starVLA

解决的问题

StarVLA 是一个模块化研究平台，旨在简化通用机器人视觉-语言-动作（VLA）模型的开发。它通过提供一个‘乐高式’的代码库，解决了构建这些系统时的复杂性，使模型骨干、动作头和训练方案等组件可以自由替换和集成，而无需重写整个流水线。

工作原理

该平台采用解耦、可组合的架构，将训练基础设施与特定模型架构分离。用户可以插入不同的基础模型骨干（如 Qwen 系列或 Florence-2）和可互换的动作头（例如自回归离散标记、并行连续解码或流匹配专家）。系统保持标准化的模型前向接口和模型无关的数据加载器，确保无论选择哪种框架变体，数据流都保持一致。

适用对象

主要面向正在构建通用机器人策略，并尝试不同 VLA 架构、训练范式和基准测试的机器人研究人员和开发者。

主要亮点

• 模块化架构：支持快速原型设计，允许独立调试和“烟雾测试”子模块。
• 多样化的动作头：包含 StarVLA-FAST、StarVLA-OFT、StarVLA-PI 和 StarVLA-GR00T 的实现。
• 广泛的基准支持：与 SimplerEnv、LIBERO、Robocasa、RoboTwin 2.0 和 RoboDojo 等多个基准集成。
• 灵活的训练方式：支持监督微调（SFT）、多模态协同训练，以及通过 RLinf 实现的强化学习后训练。
• 硬件兼容性：支持在 Ascend NPU 和单个 A100 GPU 上训练较小的 VLM。