面向 VLA + 灵巧手方案的盘点和分析，覆盖 7 种方案：GR00T N1.7、DexGraspVLA、Dexora、LingBot-VLA 2.0、GR-Dexter、Being-H0.5、HEX。

从双系统到端到端，从 2 千条演示到 6 万小时数据，七条技术路线的架构选择、数据配方与落地陷阱，一篇文章理清 VLA + 灵巧手的当前版图与选型逻辑。

一、方案总览

七家机构，七种答案。下表先呈现全貌，差异集中体现在架构形态、动作空间与数据来源三个维度，这也是后文展开的线索。

方案	机构 / 发布	参数量	核心架构	灵巧手 / 动作空间	训练数据	开源状态
GR00T N1.7	NVIDIA GEAR / 2026-04（EA）	3B	双系统 Action Cascade：Cosmos-Reason2-2B（Qwen3-VL 架构）VLM + 32 层 DiT 动作头	跨本体统一相对末端位姿空间，支持 22-DoF 手指级控制	数千小时遥操作 + 20,854 小时第一视角人类视频（EgoScale）	✅ 权重+代码
Dexora	清华 / BAAI / 北大等 / 2026-05（ICRA 2026）	0.4B–1B（DiT 策略）	单网络端到端：SigLIP/T5 编码 + RDT 风格 Diffusion Transformer + 判别器质量加权训练	双臂 AIRBOT（6-DoF×2）+ 双手 XHAND（12-DoF×2），共 36 可控 DoF	100K 仿真轨迹（6.5M 帧）+ 10K+ 真机遥操作（2.92M 帧）	✅ 全栈（代码+数据+权重）
LingBot-VLA 2.0	蚂蚁灵波（Robbyant）/ 2026-07	6B（Qwen3-VL-4B 主干 + MoE 动作专家）	统一动作空间 + 动作专家 MoE（无损负载均衡）+ 双查询蒸馏（深度+视频教师）	统一动作空间覆盖头/腰/底盘/灵巧手（Hand 6D 等语义槽位）	60,000 小时：50K 真机（20 种构型、17 品牌）+ 10K 第一视角人类视频	✅ 权重+代码+后训练版
DexGraspVLA	北大 + 灵初智能 / 2025-02（AAAI’26 Oral）	VLM 冻结 + 轻量 DiT	分层式：冻结 VLM 规划器 + SAM/Cutie 掩码跟踪 + DINOv2 特征 + DiT 扩散控制器	RealMan RM75 臂 + PsiBot G0-R 6-DoF 手	2,094 条人工遥操作抓取演示	✅ 代码+控制器权重（硬件驱动代码未开）
GR-Dexter	字节跳动 Seed / 2025-12	4B	GR-3 同款 Mixture-of-Transformer VLA，联合训练 VL/跨本体/人类轨迹	ByteDexter V2（21-DoF，指尖压阻触觉），动作含手指关节+指尖位置	双臂遥操作 + 跨本体数据集（ActionNet/白虎/RoboMIND）+ VR 人类轨迹	❌ 仅技术报告
Being-H0.5	BeingBeyond / 2026-01	未公开（InternVL-3.5 初始化）	Mixture-of-Transformers + Mixture-of-Flow 动作专家 + 统一状态-动作空间	物理语义对齐的统一槽位空间，MANO 人手作为"广义本体"映射进同一空间	UniHand-2.0：35,000+ 小时，30 种本体	✅ 权重+部分数据
HEX	北京人形创新中心等 / 2026-04	2.4B	Qwen3-VL-2B + MoE 统一本体感知预测器（UPP）+ 流匹配动作头（高层 VLA + 低层 RL 全身控制器）	人形对齐通用状态表征（按身体部位槽位），直接输出臂/手/腰动作，腿部交低层 RL	12M+ 帧、7 种人形本体、4 个数据源	⚠️ 代码+权重已开，数采管线与底层控制器未开

顺着这张表往下看，几条贯穿性的脉络逐渐清晰：

1. 双系统与端到端的分野。GR00T N1.7、DexGraspVLA、HEX 走的是"慢思考、快执行"的分层路线；Dexora、LingBot-VLA 2.0、Being-H0.5、GR-Dexter 则更接近单网络端到端，VLM 与动作专家共享注意力主干。
2. 动作空间是灵巧手的关键一跃。高自由度手指让动作维度从夹爪的 7–14 维膨胀到 36–88 维，主流解法有两类：统一语义槽位（LingBot、Being-H0.5、HEX），以及物理对齐的重定向（GR-Dexter 的指尖对齐、GR00T 的相对末端位姿）。
3. 数据来源决定泛化上限。各家都在遥操作之外另辟蹊径：人类第一视角视频（GR00T EgoScale、Being-H0.5 UniHand、LingBot）、仿真合成（Dexora）、跨本体公开数据集（HEX、GR-Dexter）。
4. 生成式动作头已成共识。七家不约而同地使用 Diffusion 或 Flow Matching 生成连续动作块，真正的差别在去噪步数、条件注入方式与异步执行策略。

---

二、论文 / 项目 / 开源地址汇总

方案	论文	项目页	开源地址
GR00T N1.7	GR00T N1 白皮书 arXiv:2503.14734（架构基础；N1.7 无单独论文）	NVIDIA Isaac GR00T	GitHub: NVIDIA/Isaac-GR00T
DexGraspVLA	arXiv:2502.20900	dexgraspvla.github.io	GitHub: Psi-Robot/DexGraspVLA
Dexora	arXiv:2605.18722	dexoravla.github.io	GitHub: dexoravla/Dexora；数据集: HF Dexora/Dexora_Real-World_Dataset
LingBot-VLA 2.0	arXiv:2607.06403	technology.robbyant.com/lingbot-vla-v2	GitHub: Robbyant/lingbot-vla-v2；权重 robbyant/lingbot-vla-v2-6b（HF / ModelScope）
GR-Dexter	arXiv:2512.24210 技术报告	byte-dexter.github.io/gr-dexter	无
Being-H0.5	arXiv:2601.12993	research.beingbeyond.com/being-h05	GitHub: BeingBeyond/Being-H（含 H0.5 训练/推理代码、HF 权重、UniHand_Preview 数据）
HEX	arXiv:2604.07993	—（北京人形官网新闻）	GitHub: Open-X-Humanoid/HEX（含 2.4B 权重与评测数据集）

---

三、各方案技术思路解析

3.1 GR00T N1.7（NVIDIA）：双系统架构的"完全体"，首次把手指级控制做进通用 VLA

N1.7 是 NVIDIA 人形基础模型这条线的最新一站，这一步迈在两方面：任务与子任务级别的推理，以及真正落到手指的精细控制，同时首次给出了可商用的授权。

其中有几点值得展开：

• Action Cascade 双系统。System 2（VLM）负责语义理解与长程任务拆解，System 1（DiT）把高层表征去噪成连续动作，两者紧耦合、端到端联合训练。N1.7 的 VLM 主干升级为 Cosmos-Reason2-2B（Qwen3-VL 架构），DiT 自 N1.6 起加深至 32 层。
• EgoScale 或许是机器人灵巧性的第一条 Scaling Law。N1.7 预训练混入约两万小时人类第一视角视频；NVIDIA 给出的观察是，这部分数据从一千小时增至两万小时，平均任务完成率翻了一倍有余。这为"用人类视频补机器人数据"的路线提供了少见的量化佐证。
• 动作空间采用机器人与人类共享的相对末端执行器位姿表达，维度覆盖到 22-DoF 手部控制，官方明确支持小零件装配这类接触富集任务。
• 推理性能在 RTX 5090 上约 27 Hz，并已接入 Hugging Face LeRobot，示范数据格式与微调流程都沿用社区标准。

---

3.2 DexGraspVLA（北大+灵初）：把"域迁移"挡在模仿学习之外的分层框架

它没有去追求大一统，而是换了个思路：借助基础模型，把多变的语言与视觉输入逐层转化为域不变表征，于是小规模演示数据也能撑起上千种未见场景。

这套设计的巧妙之处在细节里：

• 域不变表征链是核心。语言经 VLM 变成包围盒，图像经 SAM 与 Cutie 变成持续跟踪的掩码，像素经 DINOv2 变成语义特征——每一环都把千变万化的输入换成分布稳定的中间表征，模仿学习只需在稳定表征上学映射，域偏移自然缓解。论文还用 t-SNE 与注意力可视化验证了模型内部行为跨场景的一致性。
• 规划器同时是监控器。VLM 以 1 Hz 检查抓取成败，成功则执行脚本化放置并规划下一个目标，失败则复位重试。长程能力与失败恢复由此而来，而非靠端到端硬学。
• 数据效率相当可观。控制器只用 2,094 条演示、36 种家居物体训练，却在上千种未见物体、光照与背景组合的零样本环境中保持 90% 以上成功率，并首次同时展示了自由长程指令、对抗物体鲁棒性与人为干扰恢复。
• 规划器即插即用。换成更强的 Qwen2.5-VL-72B 后，长程完成率与包围盒精度进一步提升，这也是作者的官方推荐配置。

---

3.3 Dexora（清华/BAAI 等）：首个原生"双臂+双手"36 自由度开源 VLA

Dexora 把高自由度灵巧操作的三件难事——数据怎么采、仿真怎么造、质量怎么筛——做成了一条完整的开源流水线，论文已被 ICRA 2026 接收。

拆开来看：

• 混合遥操作把手臂与手指解耦采集：外骨骼管手臂运动学，Vision Pro 无标记追踪管手指，真机与数字孪生同步驱动。就目前而言，这是采高质量高 DoF 数据相当务实的做法。
• 判别器引导的质量感知训练是全文最出彩的一笔。先用能量代理 log π̂（z-score 后）训练一个 PU-loss 判别器给演示片段打质量分，再经 DWBC 映射为损失权重。数据质量由此变成可学习的信号，而不必依赖人工逐条筛选；消融显示它对灵巧任务的成功率与平滑度（Acc/Jerk）都有实质贡献。
• 策略本体是 RDT 风格的 Diffusion Transformer（约 0.4B），观测与指令经 SigLIP 与 T5 编码；训练用 1000 步 DDPM（cosine 调度），推理换 DPM-Solver++ 只需 5 步。
• 成绩方面，基础任务平均 89.6%（GR00T N1 为 82.1%、π₀ 为 50.4%），灵巧任务平均 66.7%（GR00T N1 为 51.7%），并可迁移到 Franka、ALOHA、G1+Inspire 等本体。
• 局限也写得坦诚：没有触觉反馈，拧瓶盖这类接触敏感任务成功率只有 25%；36-DoF 的硬件成本同样不低。

---

3.4 LingBot-VLA 2.0（蚂蚁灵波）：60,000 小时喂出来的"一脑多机"基座

这是一个明显面向产业落地的跨本体基座：统一动作空间、MoE 动作专家、双教师蒸馏，支持 20 种构型（含灵巧手），在 RTX 4090D 上把推理压到了 130ms。

几处设计值得琢磨：

• 无损负载均衡的 MoE。动作专家的 FFN 全部换成 MoE，一个共享专家沉淀通用先验，细粒度路由专家负责专门化；路由沿用 DeepSeek-V3 式的 sigmoid 打分加纠偏 bias，把负载均衡与动作学习目标解耦。等激活参数的对照实验里，MoE 在训练损失与 GM-100 验证误差上双双优于 Dense，说明收益来自稀疏容量的分配方式，而非单纯堆参数。
• 双查询蒸馏让模型学会"往前看一步"。在视觉与文本 token 之后追加两个可学习查询：Q_t 对应当前帧，Q_{t+T} 对应一个动作块之后的未来帧，分别向 LingBot-Depth（深度几何）与自研 DINO-Video（DINOv3 底座加因果时序注意力）蒸馏。VLM 内部由此长出对未来场景的预判能力，策略也就从反应式向预判式迈了一步。
• 数据工程很扎实。从九万小时的池子里清洗出五万小时真机数据，剔除了视频与状态错位、模糊遮挡、速度/加速度/加加速度异常、静止片段等，覆盖 17 个品牌、20 种构型，自由度含头、腰、底盘与灵巧手。
• 成绩：上海交大 GM-100 双臂基准上，任务进度分与成功率均超过 π0.5 和 GR00T N1.7（Cobot Magic 平台 66.2/34.4）；RoboTwin 2.0 仿真达到 93.52%（clean）与 92.80%（randomized）。

---

3.5 GR-Dexter（字节 Seed）：硬件-模型-数据一体化的双臂灵巧手系统

字节 Seed 交出的是一份系统级答卷：自研 21-DoF 触觉灵巧手、GR-3 架构的 4B VLA，加上跨本体与人类轨迹的联合训练。遗憾的是代码与权重均未开源，留下的只有这份技术报告——好在报告本身写得足够细。

报告里有几手可以直接借鉴：

• 动作空间的冗余表达。每个动作同时包含臂关节、末端 6D 位姿、16 个手部活跃关节与指尖 3D 位置，关节空间与任务空间并存，不同来源的数据各取所需，缺失的维度用掩码屏蔽。
• 指尖对齐的跨本体重定向。异构手的轨迹对齐到 ByteDexter V2 时，对齐的是指尖位置而非法关节角，任务相关的接触几何得以保留，关节级形态差异被绕开。人类 VR 轨迹也经可见性与速度过滤后映射到同一表征。
• 联合训练的收益有清晰量化。梳妆台整理的 OOD 布局下达到 0.89，纯遥操作 VLA 只有 0.64；可泛化抓取放置中，未见物体 0.85、未见指令 0.83。报告还给了一个反例：域内场景里 VL 联合训练没有额外信息，反而略拖优化，可见数据配方需按场景权衡。
• 遥操作栈把 Quest 手柄绑在 Manus 手套背侧以保证腕手协同，脚踏辅助手臂控制；手部重定向建模为 SQP 求解的约束优化，聚合腕尖向量、拇尖向量、防碰撞与正则项。

---

3.6 Being-H0.5（BeingBeyond）：把人手当作"广义本体"的人类中心路线

BeingBeyond 的答案是回到人本身：用 35,000 小时人类中心数据做"物理交互的母语预训练"，配合统一状态-动作空间与 Mixture-of-Flow，一个 checkpoint 驱动五种本体。代码与权重已按 Apache-2.0 开源。

其中有两个反常识的决策，以及一处容易被低估的工程功夫：

• 统一空间的两个反常识决策。其一，人手 MANO 参数直接映射进统一空间——腕部全局位姿对齐机器人末端子空间，手指弯曲进入"精细操作"槽位，人类视频与机器人数据由此说同一种动作语言。其二，拒绝常见的 [-1,1] 统计归一化，保留弧度与厘米的物理量纲；在作者看来，1 弧度与 10 厘米的物理含义本身就是模型该学的先验。
• Mixture-of-Flow。针对动作专家容量远小于生成模型流专家的现状，把共享运动基元与本体专精专家解耦，可看作 MoE 思想在连续流匹配动作头上的变体。
• 部署工程是真功夫。MPG（流形保持门控）解决少步数去噪下的传感偏移鲁棒性，UAC（通用异步分块）用硬前缀锁定加缓冲硬拼接，统一了不同延迟与控制频率本体的分块控制。消融显示，拿掉 UAC 后长程任务成功率骤降，双臂协同也变得脆弱。
• 成绩：LIBERO 98.9%、RoboCasa 53.9%。真机上的结论颇耐人寻味——专才模型仍然最强，但通才模型已惊人地接近，且在长程与双臂任务上对 π0.5 有明显优势。

---

3.7 HEX（北京人形）：全身 VLA——灵巧手放进行走中的身体

HEX 把目光从桌面移向全身：高层 VLA 直接输出臂、手、腰的动作，腿部交给低层 RL 全身控制器，让全尺寸双足人形在行走中完成抓握搬运。代码与 2.4B 权重已开源，底层控制器未开。

技术上值得注意的有：

• 人形对齐通用状态表征。七种异构人形的状态被对齐到共享的身体部位槽位，允许不同本体的状态定义不一致（例如天工 3.0 多出 IMU 与手部触觉信号），这是跨本体预训练的地基。
• MoE 统一本体感知预测器（UPP）。4 层 Transformer、16 个路由专家加 2 个共享专家、top-1 路由，预测未来 50 步的本体状态——先让模型理解身体接下来会怎么动，再去生成动作。对行走中操作这种全身耦合、动态平衡的场景，这一步尤为关键。
• 残差门控融合。视觉-语言线索与本体动力学预测自适应融合后送入流匹配动作头；轻量历史 token 摘要历史观测，推理时不必重复编码历史图像。
• 训练成本意外地省。预训练 200K 步、约 1K A100 GPU 小时；在快速反应与长程场景达到 SOTA，也可直接在 LIBERO 仿真上评测。

---

四、实际使用要点

4.1 通用工程要点（不论选哪个方案）

• 数据格式正在向 LeRobot 收敛。GR00T、Dexora、HEX 均采用 LeRobot v2.x 标准，每个数据集都要正确编写 modality.json（状态与动作维度映射）。接入自研本体时，八成的坑出在 modality 配置与归一化统计上。
• 动作空间对齐是接入新本体的第一道关。先想清楚你的本体用关节空间还是末端位姿、绝对量还是相对量、旋转如何参数化，这直接决定能否复用预训练权重。Being-H0.5 的语义槽位映射和 GR00T 的 embodiment tag 都是现成范式，但人工对齐校准这一步省不掉。
• 给生成式动作头留好推理预算。Dexora 用 DPM-Solver++ 5 步、LingBot 用 10 步做到 130ms；步数翻倍，延迟近似线性上涨。灵巧任务对平滑度敏感时可适度加步数，但要与控制频率（通常 10–50Hz）匹配。
• 灵巧手任务的评估别只盯成功率。接触富集任务建议同时看轨迹平滑度（加速度/Jerk）、接触稳定性与失败恢复率；Dexora 的判别器思路也可以借来给自己的数据做质量分层。

4.2 分方案落地提示

• GR00T N1.7：生态最完整，LeRobot 集成、server-client 部署、Jetson/Blackwell 端侧路径一应俱全。微调时注意，N1.6 起 DiT 加深后更容易过拟合，小数据微调要降步数、加正则；embodiment tag 与 modality 配置务必与本体匹配。Apache-2.0 可商用，是企业落地的低摩擦选项。
• DexGraspVLA：分层管线组件较多（VLM 规划器 + SAM + Cutie + DINOv2 + DiT），规划器建议直接上 Qwen2.5-VL-72B——包围盒精度接近完美，代价是需要多卡部署或走 API。硬件驱动代码因 IP 未开源，复现需自行对接手臂与手。它适合以抓取为中心的场景，不适合需要接触力控的精细操作。
• Dexora：全栈 MIT 开源，训练、推理、数采、遥操作代码连同数据与权重全部放出，是研究双臂双手高 DoF 最顺手的起点。硬件绑定 AIRBOT + XHAND，迁移到自家平台时，它的跨本体投影实验（Franka/ALOHA/G1+Inspire）可作直接参照。别忘了它没有触觉，接触敏感任务需自行补强。
• LingBot-VLA 2.0：完整训练需额外下载 Qwen3-VL-4B、MoGe-2、LingBot-Depth 与 DINO-Video 的教师权重；只做后训练的话，用它的高效后训练版本即可。20 种构型的预训练覆盖对非主流本体最友好，你的机器人很可能已经在它的预训练分布里。
• GR-Dexter：闭源，价值在报告的配方。88 维冗余动作空间、指尖对齐重定向、动作维度掩码联合训练，这三点可以直接移植进自己的 VLA 管线。
• Being-H0.5：统一空间不做归一化，意味着接入新本体时必须严格保证物理单位与坐标系定义一致（弧度、米、世界系相对量），否则会静默出错；部署侧的 MPG/UAC 文档（Being-H-EDU 教程）值得通读。
• HEX：2.4B 权重可直接下载推理或微调，但低层全身控制器未开源。官方建议 G1 用户搭配 HOMIE 或 AMO 等开源全身控制器，且高层输出的命令空间与低层期望的输入空间必须严格一致，数据集构建也要遵循同一接口。

4.3 选型速查

场景	优先考虑
人形机器人整机、要商用授权与完整工具链	GR00T N1.7
单臂+灵巧手的通用抓取、学术复现	DexGraspVLA
双臂双手高 DoF 研究/教学、需要数据与代码全开放	Dexora
跨品牌多本体规模化部署、国内商用落地	LingBot-VLA 2.0
用人类视频撬动跨本体泛化、低资源本体启动	Being-H0.5
全尺寸双足人形、行走中全身协同操作	HEX

---

七个方案路径各异，落点却渐渐收敛：数据的成色、动作空间的设计、部署工程的细致程度，正在比模型结构本身更大地决定灵巧操作能走多远。愿这份梳理能帮你在选型与复现时少走些弯路。

分享完成~