Hugging Face 公布 4.5 亿参数开源机器人模型 SmolVLA

6月9日消息，HuggingFace现已公布4.5亿参数开源机器人模型SmolVLA，该模型主打高普适性，可在MacBookPro等的消费级硬件设备上运行，旨在帮助开发者降低入门成本。当下，业界机器人模型通常采用“视觉-语言-行动”（Vision-Language-Action，VLA）设计，此类模型尝试在单一架构中整合感知能力、语言理解与行动决策，从而让机器人实现自主执行复杂任务。不过相应模型训练成本极高，目前大多数模型仍为闭源项目，训练过程中依赖昂贵硬件、大量工程资源和大规模私有数据集。为此，HuggingFace推出SmolVLA这一轻量级开源模型，使用公开数据集进行训练，并可在消费级硬件设备上运行，旨在降低爱好者入门成本，推动通用机器人智能体的研究进展。据介绍，SmolVLA在模型架构上结合Transformer结构与flow-matching解码器，并采用了四项关键优化技术：一是跳过视觉模型中一半层数，以提升推理速度并减小模型体积；二是交替融合自注意力与交叉注意力模块，提高多模态信息整合效率；三是减少视觉Token数量以提升处理效率；四是采用更轻量的SmolVLM2作为视觉编码器，从而进一步降低硬件要求。

▲图源HuggingFace（下同）

而在训练策略方面，SmolVLA首先通过通用操作数据进行预训练，再针对特定任务进行微调，以提升适应能力。因此虽然SmolVLA的训练数据远少于现有其他VLA模型（仅包括不到3万个任务记录），但HuggingFace表示，该模型在模拟环境和真实场景中的表现与大型模型相当，甚至在部分任务上实现“超越”。此外，HuggingFace透露SmolVLA还引入“异步推理架构”（AsynchronousInferenceStack），将感知处理（如视觉和语音理解）与动作执行进行解耦，使机器人在面对快速变化的环境时能做出更及时的响应，大幅提升其实用性。
HuggingFace强调，用户使用MacBookPro笔记本电脑等消费级硬件即可运行SmolVLA-450M模型，无需花费大成本采购专用AI训练服务器。同时用户也可以考虑采购HuggingFace推出的低成本机器人平台（SO-100、SO-101和LeKiwi）等降低成本。HuggingFace援引自家进行的多项基准测试验证SmolVLA的性能，在LIBERO与Meta-World等模拟测试平台上，SmolVLA的表现据称优于Octo、OpenVLA等业界竞品，而在使用真实机器人SO-100和SO-101进行抓取、放置、堆叠与分类任务中，SmolVLA也展现出更好的性能。
目前，SmolVLA的基础模型已在HuggingFace平台上线，完整训练方法也同步在GitHub上公开，附项目页面如下（https://huggingface.co/lerobot/smolvla_base）。