ITCOW牛新网 6月9日消息，开源 AI 平台 Hugging Face 今日发布轻量级机器人模型 SmolVLA，该模型拥有 4.5 亿参数，具备完整“视觉-语言-行动（VLA）”能力，并可在 MacBook Pro 等消费级设备上顺畅运行，旨在降低通用机器人智能体研发门槛，推动 AI 机器人技术的平民化普及。
减成本、降门槛，SmolVLA 瞄准高普适性部署
在当前大模型热潮席卷机器人领域的背景下，主流 VLA 模型大多闭源，训练成本高昂，严重依赖专用硬件与私有数据。而 SmolVLA 选择走向相反方向：
- 完全 开源
- 使用 公开数据集
- 可运行于 消费级笔记本电脑
- 支持低成本机器人平台（如 SO-100、SO-101、LeKiwi）
这一策略大幅降低了入门门槛，为机器人开发者和研究人员带来“即插即用”的便捷体验。
结构创新：高效整合多模态信息
SmolVLA 在架构设计上采用改良 Transformer 模型，并集成 flow-matching 解码器，结合四项关键优化：
- 跳层视觉处理：跳过视觉模型中一半层数，提升速度、减小体积
- 交叉融合注意力机制：提高多模态融合能力
- 精简视觉 Token 数量：增强处理效率
- 采用轻量视觉编码器 SmolVLM2：降低算力门槛
此外，其“异步推理架构”实现感知与动作执行解耦，使机器人在动态环境中响应更迅速。
表现亮眼，挑战行业标杆模型
尽管仅使用了不到 3 万条任务记录训练，SmolVLA 在多个平台展现出优异表现：
- 在模拟平台 LIBERO、Meta-World 上超越 Octo、OpenVLA 等业界知名模型
- 在真实机器人 SO-100、SO-101 的抓取、堆叠、分类任务中表现稳定，精度领先
Hugging Face 表示，SmolVLA 的泛化能力和任务适应能力已接近甚至超越部分参数更大的模型。
开放即日可用，支持 GitHub 完整复现
目前，SmolVLA 的基础模型已上线 Hugging Face 平台，完整训练代码与复现指南同步开源发布：