本文汇总分析VLA常见的三类范式——自回归离散预测、扩散模型、流匹配，分别梳理其代表性模型、最新模型、高性能模型、SOTA模型，并附核心特点与发布/进展时间，便于快速对比。

• 🐳自回归离散：推理简单、语言理解强；但误差累积、串行推理慢、高频/连续动作不友好
• ⌚️扩散模型：并行、全局一致性、抗长程误差；但采样步骤多、计算成本高、推理延迟
• 🚀 流匹配：兼具扩散全局建模+更高效训练/采样、平滑连续动作、适配高频控制；是当前VLA连续动作生成的前沿方向

一、自回归离散预测 VLA

核心机制：将连续动作离散化为token，以左到右自回归方式逐token预测，复用VLM的下一个token预测（NTP）目标，实现端到端训练

模型名称	论文全称	开源地址	核心定位
RT-2	RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control	项目页：https://robotics-transformer2.github.io/	VLA奠基之作，将互联网规模VLM知识迁移至机器人控制，实现涌现的语义推理与符号理解（CoRL 2023，Google DeepMind）
OpenVLA (7B)	OpenVLA: An Open-Source Vision-Language-Action Model	GitHub: https://github.com/openvla/openvla 项目页: https://openvla.github.io/	开源通用VLA基座，基于Llama 2+CLIP自回归生成离散动作token，97万真实演示训练，支持跨本体零样本（斯坦福/伯克利等）
π₀-FAST	FAST: Efficient Action Tokenization for Vision-Language-Action Models	GitHub: https://github.com/Physical-Intelligence/openpi	π₀自回归变体，采用FAST动作分词将连续动作编码为离散token序列，兼容π0接口（Physical Intelligence）

1. 代表性模型

• RT-2：谷歌DeepMind，VLA奠基之作，将机器人动作离散化为token，融入PaLM-E等VLM，实现基础视觉-语言-动作闭环（CoRL 2023）
• OpenVLA ：斯坦福等2024，基于Prismatic-7B/Llama 2，融合DINOv2+SigLIP视觉特征，在97万真实机器人演示上训练，开源通用VLA基座标杆

2. 最新模型(2025下半年-2026初)

• π₀-FAST：Physical Intelligence 2025，在π₀基础上引入FAST动作分词，将连续动作编码为离散token序列，兼容π0接口，提升自回归动作生成效率

3. 高性能模型

• OpenVLA 7B：开源标杆，在BridgeData、Language-Table等机器人基准上性能优异，支持参数高效微调(LoRA/QLoRA)，适配多机械臂
• RT-2 (fine-tuned)：持续迭代优化，在真实场景指令跟随、长程任务中保持高可靠性，具备涌现的语义推理能力

二、扩散模型 VLA

核心机制：将动作视为连续信号/离散token序列，通过迭代去噪生成；并行生成、全局优化、抗误差累积，适合长程规划、轨迹级动作

模型名称	论文全称	开源地址	核心定位
Octo	Octo: An Open-Source Generalist Robot Policy	GitHub: https://github.com/octo-models/octo	基于Transformer的通用机器人策略，采用Diffusion Head生成动作，支持多机器人平台与灵活任务微调（93M参数，伯克利等）
Dream-VLA	Dream-VL & Dream-VLA: Open Vision-Language and Vision-Language-Action Models with Diffusion Language Model Backbone	GitHub: https://github.com/DreamLM/dream-vlx 项目页: https://dreamlm.github.io/dream/	基于离散扩散LLM骨干，实现长时规划与复杂任务推理（港大/华为）
LLaDA-VLA	LLaDA-VLA: Vision Language Diffusion Action Models	GitHub: https://github.com/wenyuqing/llada-vla	基于掩码扩散（Masked Diffusion）的层级轨迹预测，优化动作一致性
DiVLA	DiffusionVLA: Scaling Robot Foundation Models via Unified Diffusion and Autoregression	GitHub: https://github.com/juruobenruo/DexVla	扩散+自回归混合：自回归推理规划，扩散策略生成动作，平衡语言理解与连续控制（北大）
HybridVLA	HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model	GitHub: https://github.com/PKU-HMI-Lab/Hybrid-VLA	扩散+自回归协作：单模型内扩散负责动作生成、自回归负责语义推理，缓解模态断裂（北大）

1. 代表性模型

• Octo：伯克利等2024，基于Transformer的通用机器人策略，采用Diffusion Head生成动作（非自回归），支持多机器人平台与灵活任务微调（93M参数）
• LLaDA-VLA：2025，首个大语言扩散模型(LLaDA)拓展的VLA，掩码扩散+层级动作解码，改善轨迹一致性
• Dream-VLA (Dream-7B)：港大/华为2025，离散扩散LLM+视觉对齐，双向上下文、并行生成，长时规划领域代表
• DiVLA (DiffusionVLA)：北大2025，扩散+自回归混合：自回归推理规划，扩散策略生成动作，引入推理注入模块平衡语言理解与连续控制

2. 最新模型(2025下半年-2026初)

• HybridVLA：北大2025，融合自回归与扩散生成于单模型、统一token序列，单模型内扩散负责动作生成、自回归负责语义推理，缓解动作连续性断裂问题
• WAM-Diff：复旦2025，端到端自动驾驶VLA，离散掩码扩散+MoE+在线RL优化，提升全局一致性与长时规划性能

3. 高性能模型

• Dream-VLA：长程轨迹、全局一致性任务表现突出，在多模态指令跟随、多步操作中降低误差累积
• LLaDA-VLA：在SimplerEnv、CALVIN仿真、WidowX真实机械臂上性能领先，优于OpenVLA等自回归模型

4. SOTA模型

• 掩码扩散路线：LLaDA-VLA
• 离散扩散路线：Dream-VLA
• 混合范式：DiVLA（兼顾语言推理与连续动作鲁棒性）、HybridVLA（单模型内双范式协作）

三、流匹配(Flow Matching) VLA

核心机制：学习连续速度场，将高斯噪声平滑映射到目标动作分布；相较扩散训练更简单(单MSE损失)、采样效率更高(更少步骤)；

本质是扩散的数学推广，建模连续动作、适合高频控制

模型名称	论文全称	开源地址	核心定位
π₀ (pi0)	π₀: A Vision-Language-Action Flow Model for General Robot Control	GitHub: https://github.com/Physical-Intelligence/openpi	首个流匹配VLA，基于PaliGemma，50Hz高频动作块生成，支持复杂灵巧操作（Physical Intelligence）
π₀.5	π₀.5: A Vision-Language-Action Model with Open-World Generalization	GitHub: https://github.com/Physical-Intelligence/openpi	π₀升级，多源异构数据协同训练，实现开放世界泛化与长时精细操控（CoRL 2025）
π₀.6	π*₀.6: Reinforced Flow Matching for Complex Dexterous Manipulation (Model Card)	（没开源）技术报告：https://pi.website/blog/pistar06	基于π0.5的增强版，采用RECAP框架（离线RL+在线RL+人类纠正），当前流匹配路线综合SOTA（Physical Intelligence）
AsyncVLA	AsyncVLA: Asynchronous Flow Matching for Vision-Language-Action Models	GitHub: https://github.com/yuhuajiang2002/asyncvla	异步流匹配架构，解耦感知-预测与动作执行，实现自校正与更高控制频率（上海AI Lab）
πRL	πRL: Online Reinforcement Learning for Flow-based Vision-Language-Action Models	GitHub：https://github.com/RLinf/RLinf	首个在线RL微调流式VLA（π0/π0.5）框架，提出Flow-Noise与Flow-SDE两种方法实现精确对数似然估计，突破模仿学习局限（清华）
SmolVLA	SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics	GitHub: https://github.com/huggingface/lerobot	轻量级VLA（450M参数），基于流匹配动作专家，单GPU可训练、CPU可部署，支持异步推理（Hugging Face开源）
DM0	DM0: Embodied Spatial Reasoning Enhanced Flow Matching VLA	GitHub: https://github.com/Dexmal/dexbotic	具身空间推理增强，构建四层分层辅助预测目标（子任务→BBox→轨迹→离散动作）形成空间思维链，支持操作与导航

1. 代表性模型

• π₀ (pi0)：Physical Intelligence 2025，首个流匹配VLA；基于PaliGemma，VLM主干+流匹配动作头，50Hz高频、动作块并行生成；摒弃离散token，直接建模连续动作，适配灵巧操作
• SmolVLA：Hugging Face 2025，轻量级VLA（450M参数），基于流匹配动作专家，单GPU可训练、CPU可部署，支持异步推理，兼顾通用多模态能力与具身控制

2. 最新模型(2025下半年-2026初)

• π₀.5：Physical Intelligence 2025年4月，π₀升级；多源异构数据协同训练、分层决策、开放世界泛化显著提升，支持10-15分钟长时精细操控（CoRL 2025）
• π*₀.6 (RECAP增强版)：Physical Intelligence 2025年11月；基于π0.5采用RECAP框架（离线RL+在线RL+人类纠正），解决流模型无显式log概率梯度难更新问题；意式浓缩咖啡、衣物折叠等复杂任务表现优异，暂未完全开源
• AsyncVLA：上海AI Lab 2025年末，异步流匹配，解耦感知-预测与动作执行，选择性动作再生、异步时间嵌入；自校正优化，刷新机器人操作SOTA
• DiG-Flow：北大等2025末，差异引导流匹配(Discrepancy-Guided)，通过不匹配信号增强特征表示，提升分布偏移、复杂多步任务下的鲁棒性
• πRL：清华2026初，首个在线RL微调流式VLA（π0/π0.5）框架，提出Flow-Noise与Flow-SDE两种方法实现精确对数似然估计，突破模仿学习局限
• DM0：Dexmal 2026初，具身空间推理增强流匹配VLA，构建四层分层辅助预测目标（子任务→BBox→轨迹→离散动作）形成空间思维链，支持操作与导航双任务

3. 高性能模型

• π₀.5：兼顾全局一致性与高频执行，适配7种机械臂、开放场景零样本泛化
• π*₀.6：当前π系列性能最强；强化微调+流匹配结合，融合RL与监督学习，突破纯模仿学习上限
• SmolVLA：小参数规模(450M)下实现高性能，支持边缘部署与异步推理，训练成本极低

4. SOTA模型

• 流匹配VLA当前综合SOTA：π*₀.6；在真实机器人复杂灵巧操作、长时任务、分布外泛化上处于领先水平
• 空间推理增强SOTA：DM0；通过四层分层空间思维链，实现从高层语义到低层动作的渐进式约束
• 在线RL微调SOTA：πRL；首个实现流匹配VLA的在线RL微调，突破传统模仿学习局限

四、VLA排行榜

以下信息截止更新于：2026/02/26，官网排行榜会持续更新的～

1、LIBERO 基准测试榜单

LIBERO 是一个终身机器人学习基准，包含 130 个语言条件操作任务。

排行地址：https://sota.evomind-tech.com/benchmarks/libero/

2、LIBERO Plus 基准测试榜单

LIBERO Plus 是一个扩展基准测试，测试模型在 7 个扰动维度上的鲁棒性：相机、机器人、语言、光照、背景、噪声和布局。

排行地址：https://sota.evomind-tech.com/benchmarks/liberoplus/

3、RoboChallenge 基准测试榜单

RoboChallenge 是一个综合性基准测试，用于评估具身智能体在真实世界机器人操作任务中的表现，涵盖多样化的物体和场景。

排行地址：https://sota.evomind-tech.com/benchmarks/robochallenge/

4、CALVIN 基准测试榜单

CALVIN 是一个在桌面操作环境中学习长视野语言条件任务的基准。

排行地址：https://sota.evomind-tech.com/benchmarks/calvin/

五、VLA训练框架/工具

5.1、Dexbotic 一站式 具身智能 VLA开发工具箱

Dexbotic 是一个基于 PyTorch 构建的开源 VLA 模型工具，面向具身智能领域的研究者和开发者，提供一站式的 VLA 研究服务。

开源地址：https://github.com/Dexmal/dexbotic

🏗️ 系统架构，如下图所示：

从数据来源到模型训练、推理，再到仿真与真实世界部署，形成了一个闭环的具身智能开发体系。

核心模块拆解

模块	核心作用	关键组件/特性
Embodiments（具身载体）	提供多源机器人数据输入	支持 UR5、Franka、ALOHA 等主流机械臂及其他机器人平台，产生原始数据（Raw Data）
Data Layer（数据层）	统一数据格式与处理	- Dexdata Format：定义标准化数据结构，兼容多源机器人数据 - Dexdata Process：提供数据清洗、格式转换（如 LeRobot/RLDS → Dexdata）
Modular Framework（模块化框架）	核心模型训练与推理引擎	- Vision Encoder：CLIP、sigLIP、PE 等视觉编码器 - LLM：Qwen、StepFun、PaliGemma 等大语言模型 - Action Expert：扩散模型、流匹配、离散自回归预测 等动作生成策略 - VLA模型： 支持 π0、π0.5、DM0、OFT、CogACT、MemVLA 等主流 VLA 模型 - 微调算法： SFT监督微调、GRPO 等
Experiment Layer（实验层）	管理训练与推理全流程	- Experiment Centric：以实验为核心的配置与调度 - Training PPL：分布式训练管线（支持 DeepSpeed 优化） - Inference PPL：实时推理服务（支持 API 调用）
Simulation & Real World（仿真与真实视觉）	模型评估与验证	- 仿真环境：用于快速迭代与基准测试 - 真实世界：验证模型在物理场景中的泛化能力
Infra（基础设施）	提供灵活算力支持	- 云服务：阿里云、火山引擎等大规模云端训练平台 - 消费级 GPU：RTX 4090/5090 等本地训练部署

🌟 核心特性

统一的模块化 VLA 框架

• 围绕 VLA 模型构建，兼容主流大语言模型的开源接口
• 整合具身操作与导航能力，支持多种领先的具身操作/导航策略
• 预留全身控制接口，适配未来技术演进

多机器人训练与部署支持

• 支持 UR5、Franka、ALOHA 等主流机器人平台
• 提供统一的训练数据格式与通用化部署脚本
• 持续扩展更多主流机器人平台适配

云/本地灵活训练

• 支持阿里云、火山引擎等大规模云端训练平台
• 适配消费级 GPU（如 RTX 4090）的本地训练场景

标准化数据体系

• 定义统一的 Dexdata 数据格式，兼容多源机器人数据
• 提供 LeRobot、RLDS（Libero）等数据集的转换脚本

5.2、RLinf 为具身智能和智能体而生的强化学习框架

RLinf 是一个灵活且可扩展的开源框架，专为具身智能和智能体而设计。

名称中的 “inf” 既代表 Infrastructure，强调其作为新一代训练坚实基础的作用；也代表 Infinite，寓意其支持开放式学习、持续泛化以及智能发展的无限可能。

代码地址：https://github.com/RLinf/RLinf

🌟 核心特性

RLinf具有高度灵活性，可支持多种强化学习训练工作流（PPO、GRPO、SAC等），同时隐藏了分布式编程的复杂性。用户无需修改代码即可轻松将强化学习训练扩展至大量GPU节点，满足强化学习训练日益增长的计算需求。

这种高灵活性使 RLinf 能够探索更高效的调度与执行模式。在具身强化学习中，混合执行模式的吞吐量可达现有框架的 2.434 倍。

多后端集成支持

• FSDP + HuggingFace/SGLang/vLLM: 快速适配新模型与新算法，非常适合初学者和快速原型验证。
• Megatron + SGLang/vLLM: 针对大规模训练进行了优化，为专家用户提供最大化效率。

具身智能

模拟器	真机	模型	算法
ManiSkill ✅ LIBERO ✅ RoboTwin ✅ RoboVerse BEHAVIOR ✅ MetaWorld ✅ IsaacLab ✅ RoboCasa ✅ Franka-Sim ✅ More...	Franka Arm ✅ More...	VLA 模型 π₀ ✅ π₀.₅ ✅ OpenVLA ✅ OpenVLA-OFT ✅ GR00T ✅ Dexbotic ✅ VLM 模型 Qwen2.5-VL 世界模型 OpenSora ✅ Wan ✅ 自定义模型 MLP-Policy ✅ CNN-Policy ✅	RL 算法 GRPO ✅ PPO ✅ DAPO ✅ Reinforce++ ✅ SAC ✅ CrossQ ✅ RLPD ✅ SAC-Flow ✅ SFT 全量微调 ✅ LoRA微调 ✅

---

智能体强化学习

Single-Agent	Multi-Agent
SearchR1 ✅ Online Coder ✅ Math推理强化学习 ✅	WideSeek-R1

---

5.3、LeRobot

LeRobot 提供基于 PyTorch 的机器人模型、数据集和工具，以应用于现实世界的机器人项目。目标是降低准入门槛，让每个人都能参与共享数据集和预训练模型的开发并从中受益。

开源地址：https://github.com/huggingface/lerobot/tree/main

• 🤗 全面支持开源生态系统。一个与硬件无关、Python 原生的接口，可标准化跨各种平台的控制，从低成本机械臂（SO-100）到人形机器人。

• 🤗 标准化的、可扩展的 LeRobotDataset 格式（Parquet + MP4 或图像）托管在 Hugging Face Hub 上，可实现海量机器人数据集的高效存储、流式传输和可视化。

• LeRobot 提供统一的Robot类接口，将控制逻辑与硬件细节解耦。它支持多种机器人和远程操作设备。

• 支持的硬件： SO100、LeKiwi、Koch、HopeJR、OMX、EarthRover、Reachy2、游戏手柄、键盘、手机、OpenARM、Unitree G1。

• 可以轻松地实现 Robot 接口，从而利用 LeRobot 的数据采集、训练和可视化工具来开发自己的定制机器人。参考链接：https://huggingface.co/docs/lerobot/integrate_hardware

下面是支持的模型与方案：

Category	Models
Imitation Learning	ACT, Diffusion, VQ-BeT
Reinforcement Learning	HIL-SERL, TDMPC & QC-FQL (coming soon)
VLAs Models	Pi0Fast, Pi0.5, GR00T N1.5, SmolVLA, XVLA

---

下面是提供参考学习的：

综述汇总 awesome-embodied-vla-va-vln：https://github.com/jonyzhang2023/awesome-embodied-vla-va-vln

综述汇总 Awesome-RL-VLA：https://github.com/Denghaoyuan123/Awesome-RL-VLA

综述汇总 Awesome-VLA：https://github.com/yueen-ma/Awesome-VLA

分享完成，后续会持续更新～