Hugging Face 发布了开源机器人模型 SmolVLA，旨在降低开发者入门门槛。该模型可在MacBook Pro等消费级硬件上运行，采用“视觉-语言-行动”设计，整合感知、语言理解与行动决策。SmolVLA通过四项关键优化技术和预训练微调策略，在模拟和真实场景中表现出色。其异步推理架构提升了响应速度。该模型使用公开数据集训练，降低了训练成本，并在抓取、放置等任务中展现出优异性能。SmolVLA的发布，有望推动通用机器人智能体的研究进展。

👁️‍🗨️ SmolVLA 采用了“视觉-语言-行动”（VLA）设计，旨在整合感知能力、语言理解与行动决策，使机器人能自主执行复杂任务。这种设计是当前机器人模型的主流趋势。

💡 SmolVLA 通过四项关键优化技术降低了对硬件的要求：一是跳过视觉模型中一半层数；二是交替融合自注意力与交叉注意力模块；三是减少视觉 Token 数量；四是采用更轻量的 SmolVLM2 作为视觉编码器。这些优化使得模型可以在消费级硬件上运行。

⚙️ 在训练策略上，SmolVLA 先通过通用操作数据进行预训练，再针对特定任务进行微调，从而提升适应能力。尽管训练数据量远少于其他 VLA 模型，但在模拟环境和真实场景中的表现与大型模型相当，甚至在部分任务上实现“超越”。

🚀 SmolVLA 引入“异步推理架构”，将感知处理与动作执行解耦，使机器人在面对快速变化的环境时能做出更及时的响应，大幅提升其实用性。

💻 用户可以使用 MacBook Pro 等消费级硬件运行 SmolVLA-450M 模型，无需购买昂贵的 AI 训练服务器。Hugging Face 还提供了低成本机器人平台，进一步降低了使用成本。

IT之家 6 月 9 日消息，Hugging Face 现已公布 4.5 亿参数开源机器人模型 SmolVLA，该模型主打高普适性，可在 MacBook Pro 等的消费级硬件设备上运行，旨在帮助开发者降低入门成本。

当下，业界机器人模型通常采用“视觉-语言-行动”（Vision-Language-Action，VLA）设计，此类模型尝试在单一架构中整合感知能力、语言理解与行动决策，从而让机器人实现自主执行复杂任务。不过相应模型训练成本极高，目前大多数模型仍为闭源项目，训练过程中依赖昂贵硬件、大量工程资源和大规模私有数据集。

为此，Hugging Face 推出 SmolVLA 这一轻量级开源模型，使用公开数据集进行训练，并可在消费级硬件设备上运行，旨在降低爱好者入门成本，推动通用机器人智能体的研究进展。

据介绍，SmolVLA 在模型架构上结合 Transformer 结构与 flow-matching 解码器，并采用了四项关键优化技术：一是跳过视觉模型中一半层数，以提升推理速度并减小模型体积；二是交替融合自注意力与交叉注意力模块，提高多模态信息整合效率；三是减少视觉 Token 数量以提升处理效率；四是采用更轻量的 SmolVLM2 作为视觉编码器，从而进一步降低硬件要求。

而在训练策略方面，SmolVLA 首先通过通用操作数据进行预训练，再针对特定任务进行微调，以提升适应能力。因此虽然 SmolVLA 的训练数据远少于现有其他 VLA 模型（仅包括不到 3 万个任务记录），但 Hugging Face 表示，该模型在模拟环境和真实场景中的表现与大型模型相当，甚至在部分任务上实现“超越”。

此外，Hugging Face 透露 SmolVLA 还引入“异步推理架构”（Asynchronous Inference Stack），将感知处理（如视觉和语音理解）与动作执行进行解耦，使机器人在面对快速变化的环境时能做出更及时的响应，大幅提升其实用性。

Hugging Face 强调，用户使用 MacBook Pro 笔记本电脑等消费级硬件即可运行 SmolVLA-450M 模型，无需花费大成本采购专用 AI 训练服务器。同时用户也可以考虑采购 Hugging Face 推出的低成本机器人平台（SO-100、SO-101 和 LeKiwi）等降低成本。

Hugging Face 援引自家进行的多项基准测试验证 SmolVLA 的性能，在 LIBERO 与 Meta-World 等模拟测试平台上，SmolVLA 的表现据称优于 Octo、OpenVLA 等业界竞品，而在使用真实机器人 SO-100 和 SO-101 进行抓取、放置、堆叠与分类任务中，SmolVLA 也展现出更好的性能。

目前，SmolVLA 的基础模型已在 Hugging Face 平台上线，完整训练方法也同步在 GitHub 上公开，IT之家附项目页面如下（https://huggingface.co/lerobot/smolvla_base）。