SmolVLA：基于Lerobot社区数据训练的高效视觉-语言-动作模型

Hugging Face今天发布了SmolVLA，这是一个紧凑的开源视觉-语言-动作模型，参数量为4.5亿，可在消费级硬件上运行。该模型仅使用Lerobot标签下的兼容许可开源社区共享数据集进行预训练。在模拟任务和真实世界任务中，SmolVLA-450M的表现优于更大的视觉-语言-动作模型和强基线模型。它支持异步推理，响应速度提升30%，任务吞吐量提高2倍。模型权重、训练和推理方法已公开，可在SO-100、SO-101等低成本硬件上测试和部署。