Hugging Face 釋出 450M 開源機器人模型 SmolVLA

Hugging Face 在 2025 年 6 月 3 日發表開源的視覺-語言-動作（VLA）模型 SmolVLA，TechCrunch 於 6 月 4 日以「效率高到能跑在 MacBook 上」為題跟進報導。這是一個只有 450M 參數的小模型，卻想在機器人領域複製 LLM 社群那套「開源權重加上社群資料」的玩法。

對機器人開發者來說，重點不在模型多大，而在門檻多低：SmolVLA 的目標是讓一般實驗室甚至個人工作室，都能在消費級硬體上跑自己的機器人大腦。

450M 的小模型，對抗更大對手

SmolVLA 由兩部分組成：視覺與語言理解沿用 SmolVLM2 的骨幹（SigLIP 視覺編碼器加上 SmolLM2 解碼器），動作專家（action expert）只佔約 100M 參數。Hugging Face 聲稱它在模擬與真實環境的表現優於規模大得多的 VLA 模型，也勝過 ACT 等基線方法。

TechCrunch 的報導把重點放在同一件事上：以小勝大。在機器人學習領域，多數前沿 VLA 模型的參數規模遠高於此，訓練成本也以叢集等級計算；SmolVLA 想證明的是，任務成功率不必用參數堆出來。從應用看，VLA 模型要解決的問題很具體：把攝影機看到的畫面和使用者下達的指令，轉成機械臂實際的關節動作。過去這通常需要為每個任務單獨訓練策略；VLA 的價值在於一個模型就能泛化到多種任務。這正是 SmolVLA 用 450M 參數挑戰整個產業假設的地方。

資料從哪來：社群資料集的規模化

SmolVLA 的預訓練資料全部來自相容授權的社群資料集：Hugging Face Hub 上以 lerobot 標籤整理出約 487 個資料集、約 1,000 萬幀影像，以 30 FPS 記錄、集中在低價的 SO-100/SO-101 機械臂，總訓練軌跡少於 3 萬條。

官方數字中最值得注意的是資料集規模化效應：在 SO-100 真實機械臂任務上，加入社群資料集預訓練，把成功率從 51.7% 推到 78.3%，絕對提升 26.6 個百分點。模擬環境的基準則涵蓋 LIBERO 與 Meta-World。換句話說，別人共享的資料直接變成了自己的成功率——這正是 LLM 社群「開源飛輪」的邏輯。當然，模擬與真實環境仍有落差，官方數字也以 SO-100 系列硬體為主；跨機型、跨任務的泛化能力，還需要社群用更多實驗來檢驗。

非同步推論：快約30%的任務完成

SmolVLA 還帶了一個工程上的亮點：非同步推論堆疊（asynchronous inference stack）。傳統 VLA 把感知與動作預測綁在同一條序列上，機器人要等下一組動作區塊算完才動；非同步版本把動作執行與區塊預測解耦，用提早觸發、解耦執行緒與區塊融合，讓動作連續不中斷。

按官方數據，這讓任務完成時間從 13.75 秒縮短到 9.7 秒，快約 30%；在固定時間內的完成量接近翻倍，成功率維持在約 78%。對需要在動態環境中反應的真實機器人，這個設計比單純堆參數更實用。對機器人產品化來說，推論架構的改進往往比模型本身更關鍵：決策延遲直接決定機器人能否在動態環境中安全工作。

權重、配方與硬體門檻

SmolVLA 的權重以 lerobot/smolvla_base 公開在 Hugging Face Hub，訓練與微調配方全部開源。部署目標橫跨 CPU、MacBook 與單一消費級 GPU，硬體則對應 SO-100/SO-101 機械臂與 LeKiwi 移動底座。硬體門檻的意義在於迭代速度：如果每次微調都需要叢集資源，實驗週期就以週計；跑在一台筆電上，開發者可以在一天內反覆測試資料配方與任務設計，這對研究節奏的影響比任何單項分數都大。

社群的反饋來得很快。有開發者在 X 上回報，用 RTX 2050（4GB 顯示卡）這種入門級 GPU，搭配低成本 Koch 機械臂，只微調 31 次示範就能跑起 SmolVLA，並形容這是「機器人領域的 BERT 時刻」。TechCrunch 引述了這段說法——一次微調只要 31 條示範資料，正是開源權重對研究者與創客的實際意義。

開源機器人生態的競賽

SmolVLA 是 Hugging Face 低成本機器人佈局的一環：LeRobot 生態（2024 年推出）、收購法國新創 Pollen Robotics、加上約 100 美元的 3D 列印機械臂與 LeKiwi。對面站著 NVIDIA 的開源機器人工具，以及 Physical Intelligence、K-Scale Labs、Dyna Robotics、RLWRLD 等公司。

機器人的 VLA 戰場還在早期，但 SmolVLA 展示的路線很清楚：用小模型、便宜硬體和共享資料集，把門檻壓到大學實驗室和創客都願意進場的程度。如果 LLM 社群的飛輪能夠複製，硬體與資料的開源標準化，會比任何單一模型的分數更能決定這個領域的速度。對想進場的團隊，實際的起點已經備齊：一份開源配方、一隻低價機械臂、一台筆電，剩下的差別只在資料與耐心。

參考來源

本文由 AI 協助自上述來源整理，經人工審核後發布。