---
title: "Hugging Face开源SmolVLA：4.5亿参数机器人模型，CPU可运行、消费级GPU可训练"
url: "https://paooo.com/aigc-news/14836/"
author: "Prompt 语宙研究院"
published_at: "2026-06-28T10:42:22+08:00"
updated_at: "2026-06-07T20:26:25+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "Hugging Face, SmolVLA, 开源机器人, 机器人模型, 视觉语言模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Hugging Face开源SmolVLA：4.5亿参数机器人模型，CPU可运行、消费级GPU可训练

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14836/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-28

## AI 30 秒核心看点 (TL;DR)

- 4.5亿参数的SmolVLA主打低门槛部署，CPU可运行、消费级GPU可训练。
- 采用VLM主干+轻量动作专家，并用流匹配生成高精度动作序列。
- 异步推理、视觉Token压缩与层跳跃设计，显著提升机器人实时控制效率。

> 
                **💡 站外导读：**机器人技术正从实验室走向日常，但高昂的硬件成本、复杂的模型部署和数据的封闭性一直是普及的三大门槛。开发者渴望能用消费级硬件训练和部署的机器人AI，而非依赖昂贵的专业算力。SmolVLA的诞生，正是为了打破这一僵局——它是一个完全开源、参数精简（仅4.5亿）的视觉-语言-行动模型，其设计哲学是“让每个人都能用上先进的机器人AI”。

            

             
                        

## SmolVLA是什么

SmolVLA 是 [Hugging Face](https://ai-bot.cn/sites/52.html) 开源的轻量级视觉-语言-行动（VLA）模型，专为经济高效的机器人设计。拥有4.5亿参数，模型小巧，可在CPU上运行，单个消费级GPU即可训练，能在MacBook上部署。SmolVLA 完全基于开源数据集训练，数据集标签为“lerobot”。

## SmolVLA的主要功能

- 
**多模态输入处理**：SmolVLA 能处理多种输入，包括多幅图像、语言指令以及机器人的状态信息。通过视觉编码器提取图像特征，将语言指令标记化后输入解码器，将传感运动状态通过线性层投影到一个标记上，与语言模型的标记维度对齐。

- 
**动作序列生成**：模型包含一个动作专家模块，是一个轻量级的 Transformer，能基于视觉-语言模型（VLM）的输出，生成未来机器人的动作序列块。采用流匹配技术进行训练，通过引导噪声样本回归真实数据分布来学习动作生成，实现高精度的实时控制。

- 
**高效推理与异步执行**：SmolVLA 引入了异步推理堆栈，将动作执行与感知和预测分离，实现更快、更灵敏的控制，使机器人可以在快速变化的环境中更快速地响应，提高了响应速度和任务吞吐量。

## SmolVLA的技术原理

- 
**视觉-语言模型（VLM）**：SmolVLA 使用 SmolVLM2 作为其 VLM 主干，模型经过优化，能处理多图像输入。包含一个 SigLIP 视觉编码器和一个 SmolLM2 语言解码器。图像标记通过视觉编码器提取，语言指令被标记化后直接输入解码器，传感运动状态则通过线性层投影到一个标记上，与语言模型的标记维度对齐。解码器层处理连接的图像、语言和状态标记，得到的特征随后传递给动作专家。

- 
**动作专家**：动作专家是一个轻量级的 Transformer（约1亿参数），基于 VLM 的输出，生成未来机器人的动作序列块。动作专家采用流匹配技术进行训练，通过引导噪声样本回归真实数据分布来学习动作生成，实现高精度的实时控制。

- 
**视觉 Token 减少**：为了提高效率，SmolVLA 限制每帧图像的视觉 Token 数量为64个，大大减少了处理成本。

- 
**层跳跃加速推理**：SmolVLA 跳过 VLM 中的一半层进行计算，有效地将计算成本减半，同时保持了良好的性能。

- 
**交错注意力层**：与传统的 VLA 架构不同，SmolVLA 交替使用交叉注意力（CA）和自注意力（SA）层。提高了多模态信息整合的效率，加快推理速度。

- **异步推理**：SmolVLA 引入了异步推理策略，让机器人的“手”和“眼”能独立工作。在这种策略下，机器人可以一边执行当前动作，一边已经开始处理新的观察并预测下一组动作，消除推理延迟，提高控制频率。

## SmolVLA的项目地址

- **HuggingFace模型库**：[https://huggingface.co/lerobot/smolvla_base](https://huggingface.co/lerobot/smolvla_base)

- **arXiv技术论文**：[https://arxiv.org/pdf/2506.01844](https://arxiv.org/pdf/2506.01844)

## SmolVLA的应用场景

- **物体抓取与放置**：SmolVLA 可以控制机械臂完成复杂的抓取和放置任务。例如，在工业生产线上，机器人需要根据视觉输入和语言指令，准确地抓取零件并将其放置到指定位置。

- **家务劳动**：SmolVLA 可以应用于家庭服务机器人，帮助完成各种家务劳动。例如，机器人可以根据自然语言指令，识别并清理房间中的杂物，或者将物品放置到指定位置。

- 
**货物搬运**：在物流仓库中，SmolVLA 可以控制机器人完成货物的搬运任务。机器人可以根据视觉输入识别货物的位置和形状，结合语言指令，生成最优的搬运路径和动作序列，提高货物搬运的效率和准确性。

- **机器人教育**：SmolVLA 可以作为机器人教育的工具，帮助学生和研究人员更好地理解和开发机器人技术。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                SmolVLA的发布，远不止是一个新模型的开源。它精准地切中了机器人AI民主化的要害：成本与可及性。通过将模型轻量化到可在CPU和消费级GPU上运行，并完全依赖开源数据训练，Hugging Face正在复制其在NLP和视觉领域的成功路径——即通过降低门槛，激发社区创新。这预示着机器人开发正从“大厂专属”转向“开源社区共创”的新阶段。其异步推理等工程优化，更显示了从追求论文指标到注重实际部署效能的范式转变。未来，基于此类轻量、高效、开源的VLA模型，我们将看到更多个性化、场景化的机器人应用如雨后春笋般涌现，真正推动服务机器人进入千家万户。

## 常见问题解答 (FAQ)

### SmolVLA适合普通开发者部署吗？
适合。文章明确指出，SmolVLA只有4.5亿参数，可在CPU上运行，单个消费级GPU即可训练，也能在MacBook上部署，明显降低了机器人模型的使用门槛。

### SmolVLA和传统机器人模型有什么不同？
它更强调轻量化和可部署性。SmolVLA基于开源数据训练，采用VLM主干、轻量动作专家和异步推理机制，在保证多模态理解的同时，尽量降低算力与延迟成本。

### SmolVLA能用于哪些机器人任务？
可用于物体抓取与放置、家务劳动、货物搬运和机器人教育等场景。它能结合视觉输入、语言指令和状态信息，生成动作序列，适合需要实时控制的任务。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
