物理AI实验室 // 第 2.3 集 // 一页纸

让它听懂一句话

微调 SmolVLA：从语言指令到动作

三个要点

  1. VLA（视觉语言动作模型）把画面、机器人状态和一句语言指令一起变成动作，所以换个说法也能试着做。
  2. SmolVLA 紧凑（约 4.5 亿参数，O），能在小显卡上从基座微调；论文称表现可媲美大约十倍的模型（R）。
  3. 社区数据预训练把 SO-100 成功率提到 78.3%（O，团队实验）、异步推理更快更稳；但换没见过的物体，泛化仍靠数据。

证据：O 官方一手 · R 学术文献 · M 媒体二手

O4.5 亿SmolVLA 基座 smolvla_base 的参数量，紧凑、可在消费级硬件上运行（Hugging Face 官方博客）
R10 倍SmolVLA 论文称，尽管个头小，其表现可媲美参数量约大十倍的 VLA 模型
O快 30%异步推理让响应快约三成、单位时间完成任务数翻倍（SmolVLA 团队，真机实验）
O78.3%社区数据预训练后 SO-100 成功率达 78.3%，比不预训练高约 26.6 个百分点（SmolVLA 团队实验）
O约 50 段微调 SmolVLA 建议先录的示范数；文档称 25 段的数据集不够、效果差（LeRobot 官方文档）
O2 万步 · 约 4 小时用 smolvla_base 微调约 2 万步，在单块 A100 上约 4 小时（LeRobot 官方文档）

延伸阅读