StarVLA-α: Reducing Complexity in Vision-Language-Action Systems

摘要

视觉-语言-动作（VLA）模型已成为构建通用机器人智能体的有前景的范式。然而，VLA 领域仍然高度碎片化和复杂：现有方法在架构、训练数据、具身配置和特定基准工程方面差异很大。本文引入 StarVLA-α，一个简单但强大的基线，旨在在受控条件下研究 VLA 设计选择。StarVLA-α 刻意最小化架构和流程复杂性，以减少实验混杂因素并实现系统性分析。具体而言，作者重新评估了几个关键设计轴，包括动作建模策略、机器人特定预训练和接口工程。在 LIBERO、SimplerEnv、RoboTwin 和 RoboCasa 的统一多基准训练下，同一个简单基线仍然具有高度竞争力，表明强大的 VLM 骨干结合最小设计已经足以实现强大性能，而无需依赖额外的架构复杂性或工程技巧。值得注意的是，该单一通用模型在公开的真实世界 RoboChallenge 基准上比 π₀.₅ 高出 20%。

本文包含详细的论文深度解读，涵盖模型架构、核心公式、数据策略、实验解剖等内容。