SmolVLA是什么
SmolVLA 是 Hugging Face 开源的轻量级视觉-语言-行动（VLA）模型，专为经济高效的机器人设计。拥有4.5亿参数，模型小巧，可在CPU上运行，单个消费级GPU即可训练，能在MacBook上部署。SmolVLA 完全基于开源数据集训练，数据集标签为“lerobot”。
SmolVLA的主要功能
- 多模态输入处理：SmolVLA 能处理多种输入，包括多幅图像、语言指令以及机器人的状态信息。通过视觉编码器提取图像特征，将语言指令标记化后输入解码器，将传感运动状态通过线性层投影到一个标记上，与语言模型的标记维度对齐。
- 动作序列生成：模型包含一个动作专家模块，是一个轻量级的 Transformer，能基于视觉-语言模型（VLM）的输出，生成未来机器人的动作序列块。采用流匹配技术进行训练，通过引导噪声样本回归真实数据分布来学习动作生成，实现高精度的实时控制。
- 高效推理与异步执行：SmolVLA 引入了异步推理堆栈，将动作执行与感知和预测分离，实现更快、更灵敏的控制，使机器人可以在快速变化的环境中更快速地响应，提高了响应速度和任务吞吐量。
SmolVLA的技术原理
- 视觉-语言模型（VLM）：SmolVLA 使用 SmolVLM2 作为其 VLM 主干，模型经过优化，能处理多图像输入。包含一个 SigLIP 视觉编码器和一个 SmolLM2 语言解码器。图像标记通过视觉编码器提取，语言指令被标记化后直接输入解码器，传感运动状态则通过线性层投影到一个标记上，与语言模型的标记维度对齐。解码器层处理连接的图像、语言和状态标记，得到的特征随后传递给动作专家。
- 动作专家：动作专家是一个轻量级的 Transformer（约1亿参数），基于 VLM 的输出，生成未来机器人的动作序列块。动作专家采用流匹配技术进行训练，通过引导噪声样本回归真实数据分布来学习动作生成，实现高精度的实时控制。
- 视觉 Token 减少：为了提高效率，SmolVLA 限制每帧图像的视觉 Token 数量为64个，大大减少了处理成本。
- 层跳跃加速推理：SmolVLA 跳过 VLM 中的一半层进行计算，有效地将计算成本减半，同时保持了良好的性能。
- 交错注意力层：与传统的 VLA 架构不同，SmolVLA 交替使用交叉注意力（CA）和自注意力（SA）层。提高了多模态信息整合的效率，加快推理速度。
- 异步推理：SmolVLA 引入了异步推理策略，让机器人的“手”和“眼”能独立工作。在这种策略下，机器人可以一边执行当前动作，一边已经开始处理新的观察并预测下一组动作，消除推理延迟，提高控制频率。
SmolVLA的项目地址
- HuggingFace模型库：https://huggingface.co/lerobot/smolvla_base
- arXiv技术论文：https://arxiv.org/pdf/2506.01844
SmolVLA的应用场景
- 物体抓取与放置：SmolVLA 可以控制机械臂完成复杂的抓取和放置任务。例如，在工业生产线上，机器人需要根据视觉输入和语言指令，准确地抓取零件并将其放置到指定位置。
- 家务劳动：SmolVLA 可以应用于家庭服务机器人，帮助完成各种家务劳动。例如，机器人可以根据自然语言指令，识别并清理房间中的杂物，或者将物品放置到指定位置。
- 货物搬运：在物流仓库中，SmolVLA 可以控制机器人完成货物的搬运任务。机器人可以根据视觉输入识别货物的位置和形状，结合语言指令，生成最优的搬运路径和动作序列，提高货物搬运的效率和准确性。
- 机器人教育：SmolVLA 可以作为机器人教育的工具，帮助学生和研究人员更好地理解和开发机器人技术。