SmolVLA：用自己的示范，教机械臂把积木放进盒子

让机械臂把桌上的积木夹起来放进盒子，难处在于物体位置、相机视角和机械臂状态每次都在变化。SmolVLA 把相机图像、机器人自身状态和任务描述放在一起，输出一段连续动作。对于已经有桌面机械臂、希望学习示范训练的爱好者与研究者，它提供了一条可以顺着数据、模型和评估走下去的路线。

SmolVLA 是 Hugging Face LeRobot 中的视觉语言动作模型，基础权重为 lerobot/smolvla_base。模型卡把它定位为需要针对自己用途微调的起点，实际成果是动作策略，使用者仍需准备机器人、相机及与场景匹配的示范。

一次示范要记录什么

官方当前文档围绕积木抓放给出了一个具体数据组织方式：在五个不同的积木起始位置，各录制十次操作，合计五十段示范。每一段把图像、机器人状态、动作与任务信息关联起来，使模型有机会学到“在这种观察下，下一段动作应当怎样变化”。

这个安排比单纯重复同一个动作更有信息量。五种起点对应想覆盖的变化，同一起点的多次操作则补充变化中的共同规律。文档同时提到，作者尝试过二十五段的相似数据，表现不足。这是那项抓放任务的经验，不能把五十段当作所有机器人任务的达标线。SmolVLA 使用文档建议先检查自己的位置变化是否有足够示范，再微调基础模型。

官方演示 GIF 的第 30 帧，转换为静态 PNG。画面并列展示多个抓放场景，其中第三列包含人为扰动，最右列为另一机械臂设置；单帧不能呈现整次完成过程。来源：Hugging Face SmolVLA 文档与博客，非编辑运行截图。

从画面到动作，中间发生了什么

以“把积木放进盒子”作为中文教学解释：每次决策时输入相机画面，提供当前关节等状态，再附上与示范一致的任务描述。模型的视觉语言部分先把这些信息转成上下文特征，动作专家据此产生一段未来动作，执行后继续读取新观察。这里的中文是任务释义，官方示例使用英文，本文未验证中文指令效果。

官方模型示意。底部的相机画面、英文任务和状态进入左侧模型，右侧动作专家输出动作片段；上半部表示社区数据与机器人平台。来源：Hugging Face SmolVLA 文档。打开原图可放大阅读。

动作专家用 flow matching 训练，可理解为学习把带噪声的动作片段逐步变成符合当前条件的动作。它输出连续控制量，训练目标直接面向机器人怎样运动。论文中的主要模型约有 4.5 亿参数，其中动作专家约占 1 亿；不能因它建立在名称带有 500M 的视觉语言底座上，就把两者参数规模写成一回事。论文说明了模型组成和训练方式。

论文还提出异步推理：一边执行已经得到的动作，一边处理新的观察、准备后续片段，减少每段动作之间等模型的停顿。作者在指定任务中比较了同步和异步方式，报告了速度与完成次数的改善；这依赖其控制设置，不能直接套成任意机械臂都能提速的比例。

先把示范与评估接上，才谈泛化

SmolVLA 的预训练使用筛选过的社区机器人数据，论文实验包括 LIBERO、Meta-World 仿真，以及 SO100、SO101 等真实机器人任务。基础模型从这些数据获得起点，自己的机械臂仍有相机位置、动作范围和任务分布等差异。当前文档因此要求，为自己的设置准备数据并微调，再用训练后的策略开展实机评估。

我的判断是，它最值得尝试的地方在于整个闭环可追踪：把自己演示的行为变成数据，用明确基础模型训练，再回到相同任务记录完成与失败。对已有硬件的人，这使“模型能不能用”变成可比较的实验；还没有机器人和采集条件的读者，则更适合先看官方数据与演示，理解视觉、状态和动作必须怎样对齐。

基础模型卡将权重标为 Apache 2.0，LeRobot 代码许可也是 Apache 2.0，允许按条款商业使用。社区数据来自不同贡献者，具体数据集的许可仍须逐项查看，不能由模型开放推断全部训练材料使用条件相同。本文没有实际训练或控制机械臂。继续尝试可从官方文档的录制、微调和评估流程开始。