OpenVLA 精读：把 RT-2 的 VLA 范式真正开源

Fri, 07 Aug 2026 00:00:00 +0000

Paper: Moo Jin Kim et al., OpenVLA: An Open-Source Vision-Language-Action Model
arXiv:
PDF:
Project:
Code:

如果 RT-2 回答的是：

Vision-Language Model 能不能直接输出 Robot Action？

那么 OpenVLA 继续追问的是：

这样的 VLA 能不能真正开放出来，让普通机器人实验室下载、微调并部署到自己的机器人上？

这就是 OpenVLA 最值得关注的地方。

OpenVLA 并没有推翻 RT-2 的基本思路。相反，它保留了最核心的 Action Tokenization，然后把重点转向：

开源模型；
大规模跨机器人数据；
下游任务微调；
LoRA；
量化部署。

所以它是 RT-2 和后续 $\pi_0$ 之间非常自然的一块拼图。

1. RT-2 到 OpenVLA，真正发生了什么？

先把二者放在一起：

	RT-2	OpenVLA
时间	2023	2024
模型规模	12B / 55B	7B
Backbone	PaLI-X / PaLM-E	DINOv2 + SigLIP + Llama 2
Action	Discrete Tokens	Discrete Tokens
Robot Data	RT data / RT-X	970k OpenX trajectories
开源	否	是
下游 Fine-tuning	非核心	核心问题
LoRA / Quantization	非核心	系统研究

因此 OpenVLA 的主要贡献并不是：

提出一种全新的 VLA 架构。

而更接近：

把 RT-2 已经证明有效的 VLA 范式，做成一个开放、可适配的 Robot Foundation Model。

2. 一张图看懂 OpenVLA

OpenVLA 模型结构。图片来自 arXiv HTML 版论文 Figure 1。

如果把论文原图抽象一下，整个网络其实非常清楚：

flowchart TD I["RGB Image"] --> D["DINOv2"] I --> S["SigLIP"] D --> F["Fused Visual Features"] S --> F F --> P["MLP Projector"] P --> L["Llama 2 7B"] T["Language Instruction"] --> L L --> A["Action Tokens"] A --> Q["Action De-Tokenizer"] Q --> R["7D Continuous Robot Action"]

OpenVLA 建立在 Prismatic-7B VLM 上，主要由三个部分组成：

DINOv2 + SigLIP 双视觉编码器
MLP Projector
Llama 2 7B

为什么同时使用 DINOv2 和 SigLIP？

可以粗略理解为：

SigLIP 更擅长语义层面的视觉—语言对齐；
DINOv2 保留更丰富的空间和低层视觉信息。

对于机器人来说，只知道：

“这是一个杯子。”

还不够。

策略还需要判断：

“杯子具体在哪里？机械臂应该朝哪个方向移动？”

因此 OpenVLA 希望视觉表示同时包含：

这是它相比单一视觉编码器很重要的设计。

3. OpenVLA 仍然把 Action 当成 Language Token

这是 OpenVLA 和 RT-2 最直接的继承关系。

典型机器人动作可以写成一个 7 维向量：

Δx, Δy, Δz,
Δroll, Δpitch, Δyaw,
gripper

这些值本来都是连续量。

OpenVLA 不直接做连续回归，而是对每一个动作维度进行离散化：

flowchart LR A["Continuous Action"] --> B["Clip by 1st–99th Percentile"] B --> C["Quantize into 256 Bins"] C --> D["Discrete Action Index"] D --> E["Language Token"]

也就是说，对于某个动作维度：

$$ a_i \in \mathbb{R} $$

会被映射为：

$$ \hat a_i \in \{0,\ldots,255\}. $$

这里有一个很实用的细节。

OpenVLA 没有简单使用动作数据的绝对 min/max，而是采用：

1st percentile 到 99th percentile

作为主要离散范围。

原因是机器人数据中可能存在少量极端动作。如果直接使用最大值和最小值，256 个 bin 会被少数 outlier 拉得很宽，反而降低常见动作区域的分辨率。

4. Action Token 从哪里来？

OpenVLA 使用 Llama 2 tokenizer。

但机器人需要大约：

256 Action Tokens

作者采用了一个非常直接的方案：

于是训练时仍然可以使用标准语言模型的 Next-Token Prediction。

对于模型而言：

Image + "put eggplant in bowl"

经过 Llama 2 后输出的不是自然语言：

"The robot should move left..."

而是类似：

[action_132] [action_87] [action_201] ...

这些 Token 再经过 de-tokenization 恢复成连续机器人控制量。

因此 OpenVLA 本质上仍然是：

把机器人控制问题重新写成语言模型的 Token Prediction 问题。

这正是 RT-2 建立的 VLA 范式。

5. 真正让 OpenVLA 强起来的是 970k Robot Trajectories

OpenVLA 的另一个核心是 Open X-Embodiment。

论文最终整理了约：

970k robot trajectories

用于训练。

问题在于，不同机器人数据天然是异构的：

flowchart LR A["Different Robots"] --> G["OpenX Data Mixture"] B["Different Cameras"] --> G C["Different Action Spaces"] --> G D["Different Control Frequencies"] --> G E["Different Tasks"] --> G F["Different Data Quality"] --> G G --> H["Curate + Reweight"] H --> I["970k Training Trajectories"] I --> J["OpenVLA"]

所以 Robot Foundation Model 的问题已经不再只是：

“数据够不够多？”

而是：

不同 embodiment、任务、相机和控制空间的数据，怎样组成一个有效的训练分布？

OpenVLA 对 OpenX 数据进行了筛选和重新加权，更偏好多样性较高的数据，降低重复性较强的数据权重。

这也是后续跨 embodiment VLA 非常重要的一条经验。

6. OpenVLA 的训练方式其实很像 LLM Fine-tuning

OpenVLA 并不是从零训练一个 7B 模型。

它的训练路径非常直接：

论文训练规模大致为：

7B parameters
970k trajectories
27 epochs
64 × A100
≈ 2 weeks

一个很有意思的现象是：

机器人数据可以被重复训练很多个 epoch，而真实性能仍然继续提升。

作者最终训练约 27 epochs，直到 Action Token Accuracy 超过 95%。

这说明虽然 OpenVLA 使用的是语言模型形式的 Token Objective，但机器人 imitation learning 和互联网语言预训练的数据统计性质仍然非常不同。

7. 实验：OpenVLA 到底比 RT-2-X 强在哪里？

论文在多个真实机器人平台上进行评估。

OpenVLA 与 RT-1-X、Octo、RT-2-X 的真实机器人泛化对比。图片来自 arXiv HTML 版论文 Figure 2。

在 BridgeData V2 WidowX 测试中：

Model	Average Success
RT-1-X	18.5%
Octo	20.0%
RT-2-X	50.6%
OpenVLA	70.6%

分不同泛化维度看：

Generalization	RT-2-X	OpenVLA
Visual	52.0%	87.0%
Motion	55.0%	60.0%
Physical	26.7%	76.7%
Semantic	38.8%	36.3%
Language Grounding	85.0%	90.0%

这里最值得关注的反而不是 OpenVLA 全面领先。

因为：

Semantic Generalization 上 RT-2-X 仍然略强。

为什么？

RT-2-X 在训练机器人动作时继续混入互联网 Vision-Language Data，也就是 Co-Fine-Tuning。

而 OpenVLA 的路径更接近：

因此 OpenVLA 在机器人 Fine-tuning 后可能遗忘一部分原本的 Web Knowledge。

这与 RT-2 中的结论正好对应：

Co-Fine-Tuning 的一个重要作用，就是防止机器人训练把预训练语义知识冲掉。

8. OpenVLA 真正重要的贡献：Fine-tuning

如果你自己有一台 Franka，真正关心的问题通常不是：

OpenVLA 在作者实验室跑多少分？

而是：

我采几十条 demonstration，能不能让它学会我的任务？

OpenVLA 专门研究了这个问题。

作者在新的 Franka setup 上使用：

10–150 demonstrations

进行下游 Fine-tuning，并和：

Diffusion Policy
Octo
OpenVLA from scratch
pretrained OpenVLA

进行比较。

结果有一个很重要的规律：

Narrow Single-task

例如：

put carrot in bowl

这种非常窄、非常强调动作精度的任务，Diffusion Policy 依然很强。

Multi-task + Language Grounding

当环境开始包含：

多个物体；
多种语言指令；
需要根据语言选择目标；

OpenVLA 的优势会更加明显。

因此可以这样理解：

VLA 的优势不是一定体现在最窄的单技能控制，而是在任务分布、语言条件和物体组合逐渐复杂后出现。

9. LoRA：VLA 开始真正进入普通机器人实验室

Full Fine-tuning 一个 7B 模型依然很贵。

论文因此系统测试了参数高效微调。

Method	Success	Trainable Params
Full Fine-tuning	69.7%	7.19B
Last Layer	30.3%	465M
Frozen Vision	47.0%	6.76B
Sandwich	62.1%	914M
LoRA r=32	68.2%	97.6M

LoRA rank 32 只训练约：

1.4% parameters

却基本追平 Full Fine-tuning。

于是一个普通实验室第一次可以形成非常现实的工作流：

flowchart LR A["Download OpenVLA"] --> B["Collect Your Robot Data"] B --> C["LoRA Fine-tuning"] C --> D["New Task / New Setup"] D --> E["Deploy on Your Robot"]

这可能比某一个 benchmark 数字更重要。

因为 VLA 从：

大型实验室里的展示模型

开始变成：

机器人研究者真正可以拿来二次开发的基础模型。

10. Quantization：机器人模型不能只看模型大小

OpenVLA 原始 bfloat16 推理需要大约：

15–17 GB VRAM

在 RTX 4090 上大约可以达到：

6 Hz

作者又测试了 bfloat16、int8 和 int4。

Precision	Success	VRAM
bfloat16	71.3%	16.8 GB
int8	58.1%	10.2 GB
int4	71.9%	7.0 GB

一个很有意思的结果是：

int8 反而明显变差。

论文分析认为，一个关键因素并不是数值精度本身，而是量化实现导致推理速度变化，进而改变了机器人实际控制频率。

这暴露了 Robot Policy 和普通 LLM 的本质区别：

所以对于机器人而言：

Inference Latency 本身就是 Policy Performance 的一部分。

11. OpenVLA 的局限，几乎直接指向了后来的 $\pi_0$

这是这篇论文最值得和 $\pi_0$ 连起来读的地方。

OpenVLA 仍然存在几个非常明确的限制：

主要使用单帧 RGB；
缺乏更丰富的 observation history；
proprioception 使用有限；
基本是 single-step action prediction；
Action Token 自回归生成；
RTX 4090 上约 6 Hz；
对高频 dexterous control 仍然有限。

把这些问题放在一起，会得到非常自然的下一步：

flowchart LR subgraph A["OpenVLA Bottlenecks"] A1["Discrete Action Tokens"] A2["Single-step Prediction"] A3["Autoregressive Decoding"] A4["Low Control Frequency"] A5["Limited Dexterity"] end subgraph B["Later pi0 Direction"] B1["Continuous Actions"] B2["Action Chunking"] B3["Flow Matching"] B4["Action Expert"] B5["High-frequency Execution"] end A --> B

这也是为什么 $\pi_0$ 的 Action Expert、Flow Matching 和 Action Chunking 并不是突然出现的。

它们实际上是在回答 OpenVLA 已经暴露出来的问题：

当 VLA 已经能够理解视觉和语言以后，我们还应该继续像生成文字一样，一步一步生成机器人动作吗？

12. 把 OpenVLA 放回 VLA 的发展主线

现在这几篇论文的关系就非常清楚了：

flowchart LR A["RT-1
Robot Data Scaling"] --> B["RT-2
Web Knowledge → Action"] B --> C["Open X-Embodiment / RT-X
Cross-Embodiment Data"] C --> D["OpenVLA
Open + Fine-tunable VLA"] D --> E["pi0
Continuous Action + Flow Matching"]

对应的问题分别是：

Paper	最核心的问题
RT-1	一个 Transformer 能否学习大量机器人任务？
RT-2	Web Knowledge 能否迁移到 Robot Action？
Open X-Embodiment / RT-X	Robot Data 能否跨 embodiment 扩展？
OpenVLA	VLA 能否开放、可微调、可部署？
$\pi_0$	连续高频灵巧控制应该怎样建模？

所以我更愿意把 OpenVLA 的位置总结成：

RT-2 证明了 VLA；OpenVLA 把 VLA 变成了开放的研究基础设施；$\pi_0$ 开始重新设计 VLA 的 Action Generation。

最后，用一句话理解 OpenVLA

RT-2 告诉我们：

Vision-Language Model 可以通过 Action Token 直接变成 Robot Policy。

OpenVLA 进一步证明：

这种 VLA 可以建立在开放 VLM 和 Open X-Embodiment 上，并通过标准的 Fine-tuning、LoRA 和 Quantization 工具链适配到新的机器人和任务。

但它也留下了一个非常关键的问题：

离散、自回归、单步 Action Token，真的是机器人动作最合适的表示方式吗？

这个问题，正好把阅读路线自然地引向后面的：

$$ \pi_0. $$

OpenVLA | XHT | Haotian Xue - AI Research & Robotics