VLA Embodied Intelligence Learning Hub

本仓库是我个人学习入门 Vision-Language-Action (VLA) 具身智能领域的个人笔记，仅供参考。通过阅读主流论文、拆解模型架构并深入调研各类 Action Head 的实现方式，快速理解和掌握该领域的核心技术。 （因为github网页markdown的渲染问题，有些公式可能无法正常在网页上显示，可以拉取md文件使用vs插件完成阅读）

项目内容概览

本仓库围绕具身智能中的 VLA 模型，从以下两个方面进行系统整理：

1. 模型调研与分类

• 共调研了当前具代表性的 12 个 VLA 模型，包括：

  • RT-1 / RT-2 / RT-Trajectory / OpenVLA / TinyVLA / TraceVLA
  • Octo / π0 / CogACT / Diffusion-VLA / SpatialVLA / FAST

• 每个模型都根据其架构特点归类为：

  • 多分类器模型
  • 自回归 token 模型
  • 扩散式控制模型

2. Action Head 设计深度剖析

详见 report.md，主要内容包括：

• Action Head 的定义与分类
• 主流设计方式（多分类、自回归、扩散、token压缩等）对比分析
• 每种设计的核心机制、代表模型、优缺点总结
• 表格式汇总与未来趋势展望
• 对 SpatialVLA 和 FAST 等代表性结构的逐模块解构说明

---

主要文件说明

文件/目录	内容描述
report.md	Action Head 对比调研总文档，包含 12 个模型总结与分类
README.md	当前项目简介

---

参考资料

感谢大佬的仓库