Hugging Face 推出 SmolVLA：4.5 亿参数开源机器人模型，MacBook Pro 轻松运行

SmolVLA：轻量级开源机器人模型登场

6 月 9 日消息，Hugging Face 最新公布了 4.5 亿参数的开源机器人模型 SmolVLA，主打高普适性，能够在 MacBook Pro 等消费级硬件设备上流畅运行。该模型旨在帮助开发者降低入门门槛，推动通用机器人智能体的研究进展。

VLA 设计理念与行业挑战

当前业界机器人模型普遍采用 “视觉 - 语言 - 行动”（Vision-Language-Action，VLA）设计，融合感知、语言理解与行动决策，实现复杂任务的自主执行。然而，这类模型训练成本高昂，多为闭源，依赖昂贵硬件和大量私有数据。SmolVLA 以开源轻量化为目标，采用公开数据集训练，打破了这一壁垒。

架构创新与关键优化技术

SmolVLA 结合 Transformer 结构与 flow-matching 解码器，采用四大优化技术：

 

  1. 跳过视觉模型一半层数，提升推理速度、减小模型体积；
  2. 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；
  3. 减少视觉 Token 数量，提升处理效率；
  4. 采用轻量视觉编码器 SmolVLM2，降低硬件需求。

训练策略与性能表现

SmolVLA 先通过通用操作数据预训练，再针对特定任务微调，尽管训练数据量远少于其他 VLA 模型（不到 3 万个任务记录），但在模拟环境和真实场景中表现不输大型模型，部分任务甚至实现 “超越”。

异步推理架构提升实用性

SmolVLA 引入 “异步推理架构”，将感知处理（视觉、语音理解）与动作执行解耦，使机器人在快速变化环境下能及时响应，大幅提升实用性。

低成本硬件友好，推动普及

用户可在 MacBook Pro 等消费级设备上运行 SmolVLA-450M，无需昂贵 AI 训练服务器。Hugging Face 还提供低成本机器人平台（SO-100、SO-101、LeKiwi）助力开发者降低成本。

性能基准与开源透明

Hugging Face 多项基准测试显示，SmolVLA 在 LIBERO、Meta-World 等模拟平台优于 Octo、OpenVLA 等竞品；在真实机器人抓取、放置、堆叠、分类任务中表现出色。基础模型已在 Hugging Face 平台上线，完整训练方法同步开源于 GitHub（https://huggingface.co/lerobot/smolvla_base）。

结论

SmolVLA 以其轻量化、高性能和开源特性，为机器人智能领域注入新活力。它不仅降低了开发门槛，还提升了机器人在真实环境中的实用性。未来，随着更多开发者的加入和技术完善，SmolVLA 有望成为推动通用机器人智能发展的重要力量。