具身算法手册探索指南
OpenVLA｜从看图说话到看图行动
区分原始 OpenVLA 与 OFT 的研究问题，从动作接口进入系列阅读。
这是 OpenVLA 系列导览。从“看图说话”走向“看图行动”，重点理解动作接口与微调方案怎样影响实际执行。论文精读与复现实验均在规划中。
读这页，为了什么？
Section titled “读这页，为了什么？”- 能描述图像和语言到动作的路径，知道原始 OpenVLA 与 OFT 的输出和推理方式需要分别讨论。
- 前置学习：第 01 课；后续可补充模仿学习、视觉语言模型、动作 token 与连续动作，相关课程规划中。
先抓住两个研究问题
Section titled “先抓住两个研究问题”- 原始 OpenVLA：把视觉语言模型扩展为机器人动作策略，利用机器人示范预训练，并研究新任务或机器人设置下的微调。原始模型以离散动作 token 输出动作。
- OpenVLA-OFT：研究 VLA 的优化微调方案，结合并行解码、动作分块、连续动作表示和 L1 回归目标，关注速度与任务表现。
- OFT 是相关作者团队的后续研究。第三方扩展另行标注；不能用原始模型的输出方式概括整个系列。
- 规划中：一张图、一句指令怎样变成动作——沿原始模型画出输入输出。
- 规划中：OFT 为什么同时改动作表示和执行节奏——拆解动作块与并行预测。
- 规划中：让模型适应一台新机械臂——检查数据字段、归一化、动作坐标和控制接口。
- 规划中：一次抓空如何定位问题——把语言理解、观测变化、动作输出与执行分别检查。
阅读时带着这三个问题
Section titled “阅读时带着这三个问题”- 这个版本接收哪些图像和状态？动作对应哪种坐标与单位？推理耗时是否满足当前执行频率？
- 原论文中的成功率对应特定任务与设置；做复现前需要了解数据、训练与评测；对应教程仍在规划中，范围见算法地图。与π 系列比较时，对齐条件再下结论。
从原始资料继续
Section titled “从原始资料继续”页面类型：专题导览 / 目录 · 更新：2026-10-24。标注“规划中”的条目尚无正式正文。