SimVLA 提出了一种极简的视觉 - 语言 - 动作（VLA）基线模型，旨在解决机器人操控领域的性能归因难题。通过严格解耦感知与控制，并标准化训练配方，该模型仅用 0.5B 参数在仿真基准上超越了多 B 参数模型，且无需机器人预训练。研究强调了数据打乱、动作归一化等“静默”实现细节对性能的关键影响。SimVLA 显存占用低，易于复现和部署，为未来架构创新提供了透明可靠的对比基准。
SimVLA: A Simple VLA Baseline for Robotic Manipulation
VLA（Vision-Language-Action）模型已成为通用机器人操控的有前景范式，通过大规模预训练实现强大性能。近期研究提出了多种架构创新：
这些进展常伴随混杂变量（confounding variables）：
这使得性能归因（performance attribution）变得困难——难以区分是架构创新的贡献，还是训练配方的差异。
建立透明、可复现的基线，通过严格解耦感知与控制，标准化训练动态，证明极简设计也能达到 SOTA 性能。
┌─────────────────────────────────────────┐
│ VLM Backbone (0.5B) │
│ (预训练视觉 - 语言模型，仅作编码器) │
│ 输入：多视角 RGB + 语言指令 │
│ 输出：融合的视觉 - 语言 token │
└─────────────────┬───────────────────────┘
▼
┌─────────────────────────────────────────┐
│ Action Head (轻量级) │
│ (标准 Transformer Encoder) │
│ 输入：VLM tokens + 本体感知状态 + 时间步 │
│ + 噪声动作块 │
│ 输出：去噪向量场（连续动作预测） │
└─────────────────────────────────────────┘
问题形式化：给定观测 $o_t = [I_t^1, ..., I_t^n, \ell_t, s_t]$，预测未来动作块 $A_t = [a_t, a_{t+1}, ..., a_{t+H-1}] \in \mathbb{R}^{H \times d_a}$。
VLM 编码： $Z_t = E_\phi(I_t^1, ..., I_t^n, \ell_t)$
流匹配（Flow Matching）：
推理：使用少量 Euler 积分步骤从噪声生成干净动作。
| 组件 | 配置 |
|---|---|
| VLM 骨干 | SmolVLM-0.5B 或 Florence-2 (0.9B) |
| Action Head | Transformer Encoder (1024, 24, 16) ≈ 300M 参数 |
| 注意力机制 | 纯自注意力（无交叉注意力、无记忆模块） |
| 条件注入 | Token 拼接（非 AdaLN 或交叉注意力） |
论文强调"静默"实现细节往往比架构差异影响更大：
| 因素 | 关键发现 |
|---|---|
| 动作块长度 H | H=10 对 LIBERO 最优，H=30 对真实机器人更好 |
| 数据打乱 | 关闭打乱导致性能崩溃（9.9% vs 98.6%） |
| 动作归一化 | 关闭归一化严重损害性能（12.3% vs 98.6%） |
| 因素 | 关键发现 |
|---|---|
| 学习率 | 2×10⁻⁴最优；过大 (5×10⁻⁴) 或过小 (5×10⁻⁵) 都显著下降 |
| VLM 学习率乘数 | 0.1（保持预训练知识）；设为 1.0 导致性能暴跌至 44.2% |
| 预热步骤 | 1000 步有轻微帮助（96.8% vs 98.6%） |
| 调度器 | Cosine decay 略有提升（97.5%） |
| 模型 | 参数量 | Spatial | Object | Goal | Long | 平均 |
|---|---|---|---|---|---|---|
| SimVLA (Ours) | 0.5B | 99.6 | 99.8 | 98.6 | 96.4 | 98.6 |
| X-VLA | 0.9B | 98.2 | 98.6 | 97.8 | 97.6 | 98.1 |
| VLA-Adapter | 0.5B | 97.8 | 99.2 | 97.2 | 95.0 | 97.3 |
| OpenVLA-OFT | 7B | 97.6 | 98.4 | 97.9 | 94.5 | 97.1 |
| MemoryVLA | 7B | 98.4 | 98.4 | 96.4 | 93.4 | 96.7 |
| π0.5 | 3B | 98.8 | 98.2 | 98.0 | 92.4 | 96.9 |
关键发现：
| 套件 | 方法 | 原始 | 物体 | 位置 | 语义 | 任务 |
|---|---|---|---|---|---|---|
| Spatial | π0.5 | 98.0 | 97.0 | 20.0 | 97.0 | 1.0 |
| SimVLA | 99.0 | 98.0 | 29.0 | 98.0 | 0.0 | |
| Goal | π0.5 | 97.0 | 97.0 | 38.0 | 97.0 | 0.0 |
| SimVLA | 99.0 | 82.0 | 0.0 | 99.0 | 10.0 | |
| Long | π0.5 | 93.0 | 92.0 | 8.0 | 93.0 | 1.0 |
| SimVLA | 96.0 | 61.0 | 3.0 | 98.0 | 10.0 |
WidowX（表 4）：SimVLA 达到95.8%，与 X-VLA 持平，超越 MemoryVLA (71.9%)
Google Robot（表 5）：SimVLA 平均76.1%，超越 SpatialVLA (67.5%) 和 RT-2-X (65.6%)
平台：Galaxea R1 Lite（移动双臂机器人，23 自由度）
协议：零样本跨场景泛化（训练场景→全新测试场景）
| 任务 | SimVLA | π0.5 |
|---|---|---|
| Store Dolls | ~85% | ~82% |
| Arrange Egg | ~78% | ~85% |
| Put Flower | ~48% | ~45% |
| Put Pen | ~55% | ~62% |
| Wipe Desktop | ~82% | ~78% |
| Fold Clothes | ~8% | ~10% |
| Pick Garbage | ~82% | ~75% |
| Open Drawer | ~88% | ~80% |
结论：SimVLA 与 π0.5 性能相当，但 SimVLA无机器人预训练，π0.5 使用公开权重初始化。
| 模型 | 参数量 | LIBERO 平均 | 峰值显存 (GB) |
|---|---|---|---|
| OpenVLA-OFT | 7B | 97.1% | 62.0 |
| π0.5 | 3B | 96.9% | 51.3 |
| VLA-Adapter | 0.5B | 97.3% | 24.7 |
| SimVLA | 0.5B | 98.6% | 9.3 |
显存效率提升：比 VLA-Adapter 低2.7×，比 OpenVLA-OFT 低6.7×
| 局限性 | 说明 |
|---|---|
| 位置鲁棒性 | LIBERO-PRO 中位置扰动性能仍较低 |
| 多模态动作分布 | 流匹配假设单峰分布，未显式建模多模态 |
| 长时程任务 | Long 套件性能 (96.4%) 低于 Spatial/Object(99%+) |
未来工作：
这篇论文通过严谨的实验设计和透明的报告，为 VLA 领域提供了宝贵的基线参考，其"简单但强大"的理念可能对机器人学习社区产生深远影响。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online