LLaVA-VLA：简洁高效的开源视觉-语言-动作模型，助力机器人操作与具身智能研究。

• 🏗️ 极简架构：基于流行VLM LLaVA，摒弃复杂hack，设计直观易改，适合教育与科研基线。

• 🏆 性能领先：CALVIN基准平均成功步数3.68，超越OpenVLA等主流基线，无需大规模机器人预训练。

• 💸 高效训练：仅需7小时微调LLaVA-v1.5-7b，显著降低硬件和时间成本。

• 🔌 无缝扩展：依托LLaVA生态，方便技术移植和衍生项目开发。

• 📊 多视角融合：上下拼接第一人称与第三人称视角图像，兼顾全局与细节，提升操作精度。

• 🤖 动作分块：创新动作切片设计，增强规划能力与时间一致性。

• 🔄 持续维护：提供训练代码、模型库，已支持RoboTwin仿真部署及动作专家模块。

• 🚀 适配消费级GPU：推出0.5b轻量模型，兼容24G显存，推动普及应用。

通过简洁设计与多模态融合，LLaVA-VLA体现了高性能机器人视觉语言融合的可行路径，强调动作规划与动作-感知一体化的本质，具备长期研究和实践参考价值。

详见项目🔗 github.com/OpenHelix-Team/LLaVA-VLA

视觉语言模型 机器人操作 开源AI 具身智能 多模态学习 机器人学习