人工智能社区Hugging Face近日推出4.5亿参数的开源机器人模型SmolVLA，该模型主打轻量化和高普适性，可在MacBook Pro等消费级硬件上运行，显著降低了开发者入门门槛。
当前，机器人模型普遍采用“视觉-语言-行动”（VLA）架构，但训练成本高昂且多为闭源。SmolVLA通过优化模型结构，结合Transformer与flow-matching解码器，并采用四项关键技术提升效率，包括减少视觉Token数量和轻量化视觉编码器等。
Hugging Face表示，尽管训练数据仅包含不到3万个任务记录，SmolVLA在模拟环境和真实场景中的表现媲美甚至超越大型模型。此外，其异步推理架构增强了机器人在动态环境中的响应能力。
该模型已在Hugging Face平台开源，配套训练方法亦公开于GitHub，为通用机器人智能体研究提供了更易获取的工具。
