GraspVLA

GraspVLA是由銀河通用機器人公司聯合北京智源人工智慧研究院、北京大學和香港大學研究人員，於2025年1月9日發布的全球首個端到端具身抓取基礎大模型。該模型專注於機器人“視覺-語言-動作”（VLA）的多模態協同學習。

GraspVLA的訓練包含預訓練和後訓練兩部分，其預訓練完全基於合成大數據，數據體量達十億幀“視覺-語言-動作”對。模型具備在真實場景中零樣本測試的能力，並需滿足光照、背景、物體類別等七大泛化“金標準”。針對特定場景需求，可通過小樣本後訓練快速遷移基礎能力。

研發背景

具身通用機器人發展面臨數據瓶頸和泛化瓶頸等挑戰。為應對這些挑戰，一種技術範式是採用“仿真數據預訓練+真實數據微調”的方法，構建以仿真數據為主、真實數據為輔的數據體系。

基於此範式，研發了針對端到端VLA模型預訓練的全仿真合成數據生產管線，能夠生成十億級規模的機器人運算元據集。該技術路徑確立了以仿真合成大數據預訓練為核心的具身基礎大模型技術路線，旨在研發具備泛化能力的基座模型GraspVLA。

發展歷程

2025年1月，銀河通用機器人公司發布了端到端具身抓取基礎大模型GraspVLA。該模型由銀河通用聯合北京智源人工智慧研究院、北京大學和香港大學的研究人員共同推出。

根據公司規劃，銀河通用計畫將專注於上半身操作的GraspVLA、專注於下半身導航的TrackVLA以及人機互動技術進行融合，以構建統一的基座大模型GALBOT VLA。

功能服務

GraspVLA作為基礎模型需具備七項泛化能力，包括光照泛化、背景泛化、平面位置泛化、空間高度泛化、動作策略泛化、動態干擾泛化和物體類別泛化。光照泛化指在不同光照條件下，能抓取物體。背景泛化要求面對不同材質、紋理的桌面或動態變化的背景，能執行任務。平面位置泛化指能抓取桌面上不同位置的目標物體。空間高度泛化指能夠抓取不同高度擺放的物體。

動作策略泛化指能夠調整策略，選擇抓取方式。動態干擾泛化指在工作空間存在干擾或目標被移動時，仍能完成任務。物體類別泛化指通過仿真數據學習，能對未訓練過的物體和場景進行測試。

GraspVLA的預訓練基於合成數據，訓練後的模型可直接套用於多種真實場景。

該模型可通過採集少量真實數據進行後訓練，將基礎能力遷移到特定場景。例如，在商超、工業或家庭等場景中，通過少量數據訓練，模型可學會按順序抓取商品、識別工業零件或按照語義指令進行操作。

核心團隊

GraspVLA由銀河通用機器人公司主導研發，並聯合北京智源人工智慧研究院（BAAI）、北京大學和香港大學的研究人員共同發布。

重要事件

2025年1月9日，銀河通用機器人聯合北京智源人工智慧研究院、北京大學及香港大學的研究人員，正式發布端到端具身抓取基礎大模型GraspVLA。該模型具備在未見過的真實場景和物體上進行零樣本測試的能力，並首次提出了VLA模型需滿足的七項泛化標準，包括光照泛化、背景泛化、平面位置泛化、空間高度泛化、動作策略泛化、動態干擾泛化和物體類別泛化。

品牌價值

GraspVLA是一個端到端具身抓取基礎大模型。其採用全合成數據預訓練的技術路線。

GraspVLA針對具身通用機器人發展中的數據瓶頸和泛化瓶頸提出了解決方案。