VLA Atlas · 视觉-语言-动作模型图谱

Qwen-VLA 一体化具身模型 + 7 个跨形态基准的解读合集

VLA（Vision-Language-Action）是把「看」「说」「动」三种能力压进同一个大模型的思路：给它一张图 + 一句自然语言指令，它直接输出一段机器人动作序列。2026 年 5 月 Qwen Team 发布的 Qwen-VLA 用 Qwen3.5-4B 多模态主干 + 1.15B DiT flow-matching action expert，把 操纵、导航、轨迹预测 三类任务统一到同一套动作生成框架里，并在下面 8 项主流基准上给出一份跨形态、跨环境的成绩单。

本页把这份基准清单结构化：每个数据集独立子页讲清它在测什么、数据长什么样、Qwen-VLA 跑到了多少分，以及和 π₀ / Wall-X / OpenVLA 等同类工作的可比性。

模型 · Model

目前完整讲解的是 Qwen-VLA 与 Wall-X / WALL-OSS，其余是待补的对照参考项（先外链到官方）。

Qwen-VLA Qwen3.5 + DiT

Qwen Team · 2026-05 · 统一操纵/导航/轨迹的具身基础模型 · arxiv 2605.30280

Wall-X · WALL-OSS Qwen2.5-VL + MoE

X² Robotics · 2025-09 起开源 · 4B · Flow / FAST 双动作头 · 15 真机 60.5% (比 π₀.₅ +17.5)

π₀ / π₀.₅ PaliGemma + Flow

Physical Intelligence · 2024-10 / 2025-04 · 3.3B · 通用操纵旗舰 · 开世界泛化

OpenVLA Llama-2 7B + 离散 token

Stanford / Google / TRI / MIT · 2024-06 · OXE 970k 轨迹 · 首个大规模开源 VLA 基线

X-VLA Soft-Prompted · 0.9B

清华 AIR + 北大 · 2025-10 · 约 π₀ 的 1/3 参数 · WidowX 95.8% · 跨形态软提示

GR00T N1 Eagle-2 + DiT

NVIDIA · 2025-03 · 2B · 双系统（System 1/2）· 人形机器人 · Isaac Sim 合成数据

RT-2 / RT-2-X Google DeepMind · 2023

把 VLM 直接生成离散动作 token · VLA 范式的开山工作 · 闭源权重

模型 · 2025-2026 最新

2025 下半年到 2026 年上半年集中出的一批 VLA 新工作，覆盖 LIBERO SOTA、跨形态 zero-shot、世界模型 + VLA 统一、人形 loco-manipulation、端侧高效、DPO 后训练、分层 + 记忆 / 推理 等新方向。数字均以 arXiv 摘要口径为准，未披露项在子页里标注。

Kairos 3.0-4B 4 榜第一 · 4B 打过 28B

商汤 · 大晓 · 2025-12 开源 / 2026-06 论文 · Native World Model · RoboTwin 2.0 96.1% + LIBERO-Plus 90.8 + WMBench 9.30 + DreamGen 0.618

RLDX-1 Humanoid · LIBERO 97.8 · 完全开源

RLWRLD · 2026-05 · MSAT 补齐 motion + memory + physical sensing 三大盲区 · GitHub + 3 HF checkpoints · ALLEX 91.7 / GR-1 Tabletop 58.7

EvoVLA Self-Evolving · Stage Hall. -23.7pp

北大 Hao Tang 组 · 2025-11 · ECCV 2026 · SAR + POE + Long-Horizon Memory · Discoverse-L 69.2 · 首个解决 stage hallucination

MolmoAct2 LIBERO 98.1% · 打过 GPT-5

Allen AI · 2026-05 · MolmoER backbone + OpenFAST + 720h 双臂开源 + MolmoThink · 目前开源 SOTA

MolmoAct 首创 ARM · 完全开源

Allen AI · 2025-08 · Action Reasoning Model · Depth 感知 + editable trace + low-level action · LIBERO 86.6

UniVLA LIBERO 95.5%

BAAI / CASIA / THU · 2025-06 · 自回归 + world-model post-training · 打过 π₀-FAST 的 85.5%

RDT2 跨形态 · 10K 小时 UMI

Tsinghua · 2026-02 · 7B · RVQ + Flow matching + 蒸馏 · 首个 4 维 zero-shot（物体/场景/指令/平台）

Motus +45% vs π0.5

Tsinghua · 2025-12 · MoT + UniDiffuser · 一个模型同时是 WM / VLA / IDM / video-gen / joint prediction

Ψ₀ Psi-Zero 人形 loco-manip

2026-03 · 首个开源人形 loco-manipulation 基础模型 · 800h 人 + 30h 机器人打过 10× 数据基线 40%

SmolVLA 10× 更小

HuggingFace · 2025-06 · 单 GPU 训、消费级 GPU/CPU 部署 · 异步推理栈 · lerobot 官方集成

InternVLA-M1 空间引导

Shanghai AI Lab · 2025-10 · 2.3M 空间推理 pretrain · SimplerEnv +14.6% / WidowX +17% / LIBERO +4.3%

RynnVLA-001 12M ego 视频

Alibaba DAMO · 2025-09 · 两阶段视频生成式预训练 + ActionVAE 潜动作压缩

EgoScale 20,854 小时 ego

2026-02 · 目前最大规模 egocentric 视频 · log-linear scaling law · 22-DoF 灵巧手 +54%

MemER 长时记忆

Stanford Chelsea Finn · 2025-10 · Qwen2.5-VL-7B（高） + π₀.₅（低）· Keyframe 检索式记忆

Genie Envisioner World+Act+Sim 一体

AgiBot Genie Team · 2025-08 · GE-Base（video diff）+ GE-Act（flow）+ GE-Sim + EWMBench

NORA-1.5 DPO 后训练

NTU 新加坡 declare-lab · 2025-11 · Flow matching action expert + 世界模型 reward + DPO 对齐

ThinkAct Dual-System 推理

NVIDIA + 台大 · 2025-07 · Reinforced 视觉潜规划 · few-shot / long-horizon / self-correction

下面几个也在追踪，但暂不建独立页（信息量或差异化不足以支撑一页），先外链官方：

Large Video Planner arxiv 2512.15840

MIT + Berkeley · 2025-12 · 直接用大视频模型 zero-shot 出机器人 plan · 不训机器人数据

Magma arxiv 2502.13130

Microsoft · 2025-02 · SoM + ToM · 跨 UI navigation + 机器人操纵双域基础模型

LingBot-VLA arxiv 2601.18692

蚂蚁集团 · 2026-01 · 20K 小时 9 种双臂 · 训练加速 1.5–2.8× · 开源代码栈

Hy-Embodied-0.5-VLA arxiv 2606.14409

Tencent Robotics X · 2026-06 · 全栈方案 · RL post-training + FlowPRO

思路对照 · Concepts

从「怎么把动作接到 VLM 上」的角度，主流路线可以拆成 4 类，每一类各自的取舍不同。

ACT · Chunking Transformer Zhao 2023

编码-解码 Transformer + CVAE + Temporal Ensembling · 直接回归 action chunk · ALOHA 起家

Diffusion Policy Chi 2023

U-Net 或 Transformer 去噪出动作序列 · 处理多模态分布 · Receding horizon control

Flow Matching Policy Lipman 2023

回归 velocity field · Rectified Flow 少步推理 · π₀ / Qwen-VLA / Wall-OSS-Flow 选择

Discrete Action Token RT-2 / OpenVLA

动作离散化到 tokenizer 词汇表 · 自回归生成 · 完整复用 LLM 训练栈

实测 · 微调实录

不是讲论文，是真把模型跑起来的记录 —— 单卡能不能训、坑在哪、失败长什么样。

WALL-OSS 单卡 3090 微调实录 Wall-X × LIBERO

7.9GB 具身基础模型在单卡 3090 上微调 + MuJoCo 仿真闭环抓取成功 (5/50) · 排掉训推不一致 / 捷径学习失明 / 渲染错绑碰撞体 / chunk 过长 4 个独立 bug · 含 5 段 SUCCESS 视频与微调前后开环对比 · 配套 notebook 与代码走读

数据集 · 操纵

LIBERO 97.9%

仿真 · Panda 单臂 · 40 任务 / 1693 演示 · 终身学习基准

Simpler-WidowX 73.7%

仿真 · WidowX 单臂 · 基于 Bridge V2 的桥接真机→仿真评测

RoboTwin 86.1 / 87.2%

仿真 · 双臂 · 50 任务 / 10 万+ 轨迹 · Easy / Hard 两档难度

ALOHA 76.9%

真机 · ALOHA 2 双臂 · 真实世界 OOD 泛化平均成功率

数据集 · 导航

R2R 69.0% OSR

Room-to-Room · Matterport3D · 21567 条英文指令 / 7189 条轨迹

RxR 59.6% SR

Room-across-Room · 英/印地/泰卢固 · 12.6 万条长指令 + 人类跟随路径

数据集 · 动态操纵

DOMINO 26.6% zero-shot

动态物体操纵 · 35 任务 / 5 种本体 / 11.7 万轨迹 · 闭环适应

叉车挑战赛 · 相关文献

2026 树根杯·具身智能平衡重叉车挑战赛专项调研。目标：感知 → 决策 → 控制 → 作业 一体化，完成 移动 / 叉取 / 搬运 / 放置。这里汇总目前公开的叉车 / 类叉车重型机械 RL 相关论文，供比赛期间快速对标。全球公开的完整"叉车 pick-place RL 预训练权重"目前不存在，但方法层面已被 HMER 等工作揭示。

📖 完整综述 · 叉车 RL 文献深度对比 Detail Page

50 轮多角度检索 · 5 篇专项 × 4 篇类似 RL × 2 项本地资源 · 每篇 reward / observation / action space / curriculum 的可迁移点标注 · 10 条 v3.0 落地清单按 P1-P10 排序

📌 叉车专项 · Direct Forklift RL

HMER · Tianjin 94.2% · Multi-Expert

天津大学 · 2026-01 · Semantic FSM + 3 专家 (Nav 1D-CNN / Pick ResNet / Place 倒数 reward) + BC→PPO · Gazebo 32 并行 · 与我们赛题完美对标 · 未开源

Toyota Visual Forklift 60% real

Toyota 中央研究所 · 2024-12 · Isaac Sim + PPO + ResNet 视觉 + Clothoid 参考轨迹 reward · 1/14 比例真机 zero-shot sim2real · 只做"接近托盘"未做抬升 · 未开源

ADAPT · AWARD H2020 outdoor · SLAM+AI

AIT + TU Wien · 2025-03 · 户外建筑工地叉车完整流程 · 非 RL：SLAM + AI 感知 + 经典规划 · 对比 20 年经验人类操作员 · 接近人类水平

Lang2Lift · AIT VLM 语言引导

2025-08 · Florence-2 + SAM-2 + FoundationPose · 部署在 ADAPT 平台 · 自然语言指定托盘 "pick the steel beam pallet near the crane" · 0.76 mIoU · 非 RL 但完整链路

Semi-Auto Vision Forklift YOLOv8/v11