Tags: #vision-language-action model

精读 ChatVLA-2：通过 Dynamic MoE、reasoning-following action expert 与两阶段训练，让 VLA 在数学、OCR 和空间关系任务中利用预训练 VLM 的开放世界知识。

精读 TinyVLA：用 1.3B 以下的 Llava-Pythia 骨干和 Diffusion Policy decoder 替代大模型自回归动作 token，在少量机器人数据下获得更快推理、更强数据效率与跨任务泛化。

精读 RT-2：把低层机器人动作编码成 VLM 文本 token，与互联网图文数据 co-fine-tune，让 VLA 直接输出控制动作，并系统分析其泛化、符号理解、推理与代码边界。

精读 OpenVLA：一个 7B 开源视觉-语言-动作模型，如何融合 DINOv2、SigLIP 与 Llama 2，用动作 tokenization 在 Open X-Embodiment 上实现多机器人控制与低成本微调。

精读 CogACT：在 7B VLM 后接最大 308M 参数的 Diffusion Transformer 动作模块，用 cognition token 连接认知与动作，在 SIMPLER 与多台真实机器人上超过 OpenVLA 和 RT-2-X。