内容提要
Hugging Face推出了SmolVLA，一个轻量级的视觉-语言-动作模型，旨在以低成本和高效能实现机器人控制。该模型基于社区数据训练，优化于单GPU或CPU环境，具备低延迟和高成功率，适用于多种机器人平台。SmolVLA的异步推理提高了控制效率，显著降低了计算需求，为未来的机器人学习研究奠定基础。
关键要点
-
Hugging Face推出SmolVLA，一个轻量级的视觉-语言-动作模型，旨在以低成本和高效能实现机器人控制。
-
SmolVLA基于社区数据训练，优化于单GPU或CPU环境，具备低延迟和高成功率。
-
SmolVLA的异步推理提高了控制效率，显著降低了计算需求。
-
SmolVLA的架构包括感知模块和动作专家，能够通过自然语言指令和RGB摄像头输入实现高效控制。
-
在模拟基准测试中，SmolVLA的平均成功率为87.3%，与大型模型相当。
-
SmolVLA在实际场景中的平均成功率高达78.3%，优于其他模型。
-
异步推理方法将平均任务时间缩短约30%，提高了实时性能。
-
SmolVLA的开放训练和部署堆栈为进一步研究高效机器人学习奠定基础。
延伸问答
SmolVLA模型的主要特点是什么？
SmolVLA是一个轻量级的视觉-语言-动作模型，具备低延迟和高成功率，适用于单GPU或CPU环境，并采用异步推理提高控制效率。
SmolVLA在模拟测试中的表现如何？
在LIBERO基准测试中，SmolVLA的平均成功率为87.3%，与大型模型相当，表现优异。
SmolVLA如何实现低成本的机器人控制？
SmolVLA基于社区数据训练，优化于低成本硬件，采用异步推理降低计算需求，从而实现经济高效的机器人控制。
SmolVLA的异步推理有什么优势？
异步推理通过重叠预测和执行，能将平均任务时间缩短约30%，提高实时性能，适合边缘部署。
SmolVLA的开放性对研究有什么影响？
SmolVLA的开放训练和部署堆栈为进一步研究高效机器人学习奠定基础，促进了开放研究的发展。
SmolVLA的架构包含哪些主要部分？
SmolVLA的架构包括感知模块SmolVLM-2和动作专家，前者处理图像和语言指令，后者预测控制动作序列。
