VLA 模型三部曲：OpenVLA、π₀、GO-1 如何重新定义机器人控制

AI论文陪读 · 具身智能

VLA 模型三部曲： OpenVLA、π₀、GO-1 如何重新定义机器人控制

Vision-Language-Action Model · Stanford · Physical Intelligence · 智元机器人

OPC

云与数字化

1 人公司 · LLM 协作 · 工程底座

+ 关注

上一期聊了 RT-1 / RT-2（Google，2022~2023）：动作 token 化 + VLM 预训练知识迁移，零样本语义推理成了。但 RT-2 是 Google 闭源、55B 参数、无法部署——学术标杆，产品障碍。这一期看三件事：OpenVLA（开源能不能打）、π₀（fast motor control 的答案）、GO-1（国产 VLA 新坐标）。

核心结论 · CORE INSIGHT

三代 VLA 的演进逻辑：OpenVLA 回答"开源能不能部署"，π₀ 回答"动作生成够不够快"，GO-1 回答"国产化怎么做到产品级"。背后是同一个工程矛盾——怎么把互联网规模的语言-视觉知识，塞进一个实时响应机械臂的控制信号里。

01

OpenVLA：开源 VLA 的里程碑（Stanford + NVIDIA，2024）

OpenVLA（arXiv:2409.10846，2024 年 9 月）是 Stanford HAI + NVIDIA TITANS 团队的工作，号称"第一个 open-source 7B VLA，在真实机器人上达到 RT-2 水平"。这句话有争议，但开源本身没争议。

核心数字

7B 参数（Llama 2 7B + 视觉 encoder），RT-2 是 55B，体积小 8 倍

开源权重（Apache 2.0），RT-2 闭源，OpenVLA 可本地部署

多实体机器人验证： WidowX、Franka、xArm 等 7 种实体，证明跨实体迁移可行

训练数据：Open X-Embodiment 数据集子集 + 97K 演示数据

架构：SigLIP So400m 视觉 encoder + Llama 2 7B 语言 backbone + 动作预测头。SigLIP 是 Google 的 open-source CLIP 替代方案，在图像-文本对比学习上效果更好。

泛化能力测试：OpenVLA 在novel objects/novel backgrounds/novel instructions 三个维度上，对比 RT-2-X（RT-2 的 55B 版本），部分任务差距明显，部分任务追平。但最关键的优势不是性能数字，而是可复现、可微调、可部署。

"

7B 参数的代价：语义推理能力比 RT-2 弱，在需要复杂多步规划的任务上差距显著。但这是所有开源模型的通病——参数量决定能力上限。

— OpenVLA 的核心局限

02

π₀：Physical Intelligence 的 fast motor control 方案（2024）

Physical Intelligence（创始团队来自 Google Robotics + Stanford）2024 年发布 π₀，核心解决一个问题：RT-2 的动作生成太慢，无法做 real-time 闭环控制——RT-2 在 V100 上只能跑到 1~3Hz，机械臂控制通常需要 30Hz 以上。

π₀ 的解法：用 Diffusion Model 生成动作序列，而不是像 RT-2 那样用 Autoregressive Transformer 逐个生成动作 token。

Diffusion vs Autoregressive 动作生成

AR（RT-2）：逐个生成动作 token，延迟 = O(T)，30 个动作就要 30 步串行推理

Diffusion（π₀）：并行 denoising，一次生成整条动作序列，延迟 = O(1) 步 denoising（~10 步）

结果：π₀ 在家务任务（折叠衣物、整理桌面）上达到 80%+ 成功率，且能 30Hz 闭环

关键设计：Flow Matching + VLA

π₀ 用的是 Flow Matching（扩散模型的数学简化版，不需要 noise schedule），条件是视觉语言特征（来自 VLM encoder）。动作生成条件注入在每步 denoising 里，和 Stable Diffusion 的 cross-attention 条件注入逻辑一致。

"

扩散模型在图像生成领域的成功，被 PI 团队迁移到了机器人动作生成领域——图像是 2D 像素网格，动作是 1D 时序信号，数学结构完全相同。

— π₀ 的核心洞察

03

GO-1：智元机器人的国产 VLA 方案（2025）

智元机器人（2023 年成立，创始团队来自华为天才少年计划）是国内具身智能融资最猛的创业公司，2025 年发布 GO-1（Goal-Oriented 1）。国产 VLA 第一个产品级方案。

GO-1 核心设计

架构：多模态大模型（视觉-语言） + 扩散动作解码器，类似 π₀ 的技术路线

数据飞轮：真实机器人遥操数据 + 仿真合成数据结合，这是国内团队能快速追赶的关键

Goal-conditioned：GO-1 名字里的 Goal-Oriented，指支持目标图像输入——用户给一张"完成后的状态图"，机器人自己规划路径达到

Goal-conditioned 的产品价值：这比自然语言指令更直觉。工业场景里，用户不需要写"把红色方块放到左上角"，只需要给一张目标布局照片，机器人自己理解差异、执行任务。对非技术用户更友好。

"

Goal-conditioned 是 VLA 的产品化关键：语言指令需要精确措辞，图像目标只需要"你想要什么"，用户门槛大幅降低。这和 GPT-4V 取代 ChatGPT 早期 prompt engineering 的逻辑一样——视觉比文字更直观。

— GO-1 的产品设计直觉

04

三代 VLA 技术路线横向对比

OpenVLA vs π₀ vs GO-1

维度 OpenVLA π₀ GO-1

发布方 Stanford+NVIDIA Physical Intelligence 智元机器人

动作生成 Autoregressive Diffusion (Flow) Diffusion

参数量 7B 未公开 未公开

控制频率 ~5Hz 30Hz+ 30Hz+

指令形式 自然语言 自然语言 语言 + 目标图像

开源/闭源 开源（Apache 2.0） 闭源 闭源/商用

核心规律：Diffusion 路线正在全面超越 Autoregressive 路线——π₀ 和 GO-1 都选了 Diffusion，核心原因是并行生成动作序列 vs 串行生成动作 token，在控制频率上形成量级差距。30Hz 是机器人实时控制的最低门槛，AR 路线天然难达到。

· · ·

核心洞察 · CORE INSIGHT

三代 VLA 演进背后是同一个工程矛盾：互联网规模的视觉-语言预训练知识，怎么高效注入到实时机器人控制信号里？OpenVLA 用小模型压缩知识（7B vs 55B），π₀ 用扩散模型并行化动作生成（30Hz），GO-1 用目标图像降低用户门槛（产品化）。每一步都在解决上一代的实际痛点。

本月

读 π₀ 论文原文（Physical Intelligence，2024），重点看 Flow Matching 数学推导

本月

GitHub 搜 OpenVLA，尝试本地部署一个 7B 模型跑通 demo

永远

每篇具身智能论文，问自己：这个工作比 RT-2 改进了什么？改进了多少？

· · ·

END · 完

下一步行动

选 1 个具体动作： ① 搜「Physical Intelligence π₀ demo」看真实机器人演示视频 ② 读 OpenVLA 论文（arXiv:2409.10846）③ 思考：1 人公司的 AI 产品能不能借鉴 VLA 的"预训练+微调"范式？

云与数字化 · 立即关注