starVLA/starVLA

解決的問題

StarVLA 是一個模組化研究平台，旨在簡化通用機器人視覺-語言-行動（VLA）模型的開發。它透過提供一個『樂高式』的程式碼庫，解決了建構這些系統的複雜性，讓模型骨幹、動作頭與訓練配方等元件可以自由交換與整合，而無需重寫整個流程。

工作原理

該平台採用解耦、可組合的架構，將訓練基礎設施與特定模型架構分離。使用者可插入不同的基礎模型骨幹（如 Qwen 系列或 Florence-2）與可交換的動作頭（例如自動回歸離散標記、並行連續解碼或流匹配專家）。系統維持標準化的模型前向介面與模型無關的資料載入器，確保無論選擇哪種框架變體，資料流皆能保持一致。

適用對象

主要針對正在建構通用機器人策略，並嘗試不同 VLA 架構、訓練範式與基準測試的機器人研究人員與開發者。

主要亮點

• 模組化架構：支援快速原型設計，允許獨立除錯與「煙霧測試」子模組。
• 多樣化的動作頭：包含 StarVLA-FAST、StarVLA-OFT、StarVLA-PI 與 StarVLA-GR00T 的實作。
• 廣泛的基準支援：與 SimplerEnv、LIBERO、Robocasa、RoboTwin 2.0 與 RoboDojo 等多個基準整合。
• 彈性訓練方式：支援監督微調（SFT）、多模態共同訓練，以及透過 RLinf 實現的強化學習後訓練。
• 硬體相容性：支援在 Ascend NPU 與單一 A100 GPU 上訓練較小的 VLM。