Hugging Face 公布 4.5 亿参数开源机器人模型 SmolVLA，消费级硬件设备即可运行

图片地址：https://img.ithome.com/newsuploadfiles/2025/6/b77a5fae-0262-41c1-9ee5-971c0c492523.png?x-bce-process=image/format,f_auto

IT之家 6 月 9 日消息，Hugging Face 现已公布 4.5 亿参数开源机器人模型 SmolVLA，该模型主打高普适性，可在 MacBook Pro 等的消费级硬件设备上运行，旨在帮助开发者降低入门成本。当下，业界机器人模型通常采用“视觉-语言-行动”（Vision-Language-Action，VLA）设计，此类模型尝试在单一架构中整合感知能力、语言理解与行动决策，从而让机器人实现自主执行复杂任务。不过相应模型训练成本极高，目前大多数模型仍为闭源项目，训练过程中依赖昂贵硬件、大量工程资源和大规模私有数据集。为此，Hugging Face 推出 SmolVLA 这一轻量级开源模型，使用公开数据集进行训练，并可在消费级硬件设备上运行，旨在降低爱好者入门成本，推动通用机器人智能体的研究进展。据介绍，SmolVLA 在模型架构上结合 Transformer 结构与 flow-matching 解码器，并采用了四项关键优化技术：一是跳过视觉模型中一半层数，以提升推理速度并减小模型体积；二是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；三是减少视觉 Token 数量以提升处理效率；四是采用更轻量的 SmolVLM2 作为视觉编码器，从而进一步降低硬件要求。▲ 图源 Hugging Face（下同）而在训练策略方面，SmolVLA 首先通过通用操作数据进行预训练，再针对特定任务进行微调，以提升适应能力。因此虽然 Sm