ScaleVLA将机器人VLA模型扩展至5520亿参数
AI 总结
ScaleVLA论文将5520亿参数的DeepSeek-V4.1-Flash骨干模型与可训练的动作DiT连接,并在统一设置下比较了20亿至5520亿参数的视觉语言骨干。作者报告,最大模型在LIBERO-PRO上的成功率达到45.1%,充电头插入成功率从4/10提升至9/10,每个动作块的中位延迟为216毫秒。
深度见解
作者报告的结果显示,更大规模预训练视觉语言表征可能提升机器人策略的样本效率、泛化能力和精细操作表现。
Computer Science > Robotics
arXiv:2611.21607 (cs)
[Submitted on 16 Nov 2026]
Title:ScaleVLA: Scaling Vision-Language-Action Models to 552 Billion Parameters
Authors:Ruixi Yu, Dairu Liu, Xuchuan Chen, Zekun Qi, Zekai Li, Zhuo Cao, Luyang Niu, Yingsheng Zhang, Sikai Liang, Ke Fan, He Wang, Li Yi
View a PDF of the paper titled ScaleVLA: Scaling Vision-Language-Action Models to 552 Billion Parameters, by Ruixi Yu and 11 other authors