Hugging Face近期发布了一款名为SmolVLA的开源机器人模型，该模型拥有4.5亿参数，主打高普适性，旨在降低开发者进入机器人智能领域的门槛。尤为引人注目的是，SmolVLA能够在如MacBook Pro这样的消费级硬件上运行，无需依赖昂贵的专业设备。
在机器人模型领域，业界通常采用“视觉-语言-行动”（VLA）框架，试图在单一架构内整合感知、理解和决策能力，以实现机器人的自主复杂任务执行。然而，这类模型训练成本高昂，且多为闭源项目，依赖于高性能硬件、庞大的工程资源和私有数据集。
为了打破这一现状，Hugging Face推出了SmolVLA，一个轻量级且开源的模型。它使用公开数据集进行训练，旨在推动通用机器人智能体的研究发展，并降低爱好者的入门成本。这一举措有望吸引更多开发者参与到机器人智能的研究与应用中来。
SmolVLA在模型架构上进行了创新，结合了Transformer结构与flow-matching解码器，并采用了四项关键优化技术。首先，通过跳过视觉模型中的一半层数，提升了推理速度并减小了模型体积。其次，交替融合自注意力与交叉注意力模块，提高了多模态信息的整合效率。减少视觉Token数量以提升处理效率，并采用更轻量的SmolVLM2作为视觉编码器，进一步降低了硬件要求。
在训练策略上，SmolVLA采用了预训练与微调相结合的方法。首先通过通用操作数据进行预训练，然后针对特定任务进行微调，以提升模型的适应能力。尽管SmolVLA的训练数据远少于现有其他VLA模型，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了超越。
SmolVLA还引入了“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够做出更及时的响应，从而大幅提升了其实用性。
Hugging Face强调，用户无需花费高昂成本采购专用AI训练服务器，只需使用如MacBook Pro等消费级硬件即可运行SmolVLA-450M模型。同时，用户还可以考虑采购Hugging Face推出的低成本机器人平台（如SO-100、SO-101和LeKiwi），以进一步降低成本。
为了验证SmolVLA的性能，Hugging Face进行了多项基准测试。在LIBERO与meta-World等模拟测试平台上，SmolVLA的表现优于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、堆叠与分类任务时，SmolVLA也展现出了卓越的性能。
目前，SmolVLA的基础模型已在Hugging Face平台上上线，完整的训练方法也已在GitHub上公开。感兴趣的开发者可以访问Hugging Face的项目页面（https://huggingface.co/lerobot/smolvla_base），获取更多关于SmolVLA的信息和资源。
