新智元报道

编辑：LRST

【新智元导读】当前具身智能的VLA（Vision-Language-Action）赛道正陷入典型的「碎片化」泥潭：不同团队采用异构的动作解码范式、强耦合的数据管线、互不兼容的评测协议，导致方法难以横向对比，复现成本极高。开源项目 StarVLA 没有选择堆砌算力或盲目刷榜，而是从系统抽象层面直击痛点，提出了一套Backbone-Action Head的「乐高式」统一架构。

尽管VLA模型已成为具身通用智能的主流范式，但学术研究正面临三重「巴别塔」困境：

1. 架构割裂：自回归离散Token化、并行连续回归、流匹配去噪、双系统推理……不同动作解码范式采用完全不同的代码实现与接口假设。

2. 管线强耦合：现有开源框架多为「单方法定制」，数据预处理、训练循环、评测协议深度绑定，导致模块无法跨项目复用。

3. 评测标准不一：各论文仅在disjoint的基准子集上报告结果，且预处理与推理协议不透明，公平对比几乎不可能。

这种碎片化严重拖慢了具身基础模型的迭代节奏。

香港科技大学开源了一个新项目StarVLA，核心洞察在于：VLM-based与World-Model-based并非根本对立的范式，而是同一策略框架下不同辅助学习信号（L_aux）的变体。

基于此，团队构建了一个高度模块化、接口统一的开源底座，让研究者能像搭乐高一样自由组合主干网络与动作头，在完全受控的条件下验证单一设计变量的影响。

开源地址：https://github.com/starVLA/starVLA

项目主页：https://starvla.github.io

论文链接：https://arxiv.org/abs/2604.05014

架构解码

Policy-Centric的「乐高」抽象

StarVLA 在系统层引入了统一的策略中心公式，将多模态观测、语言指令与未来动作块映射到同一计算图中：

其中

为多模态历史观测，ℓ为语言指令，

为预测的动作块，

为可选的辅助输出（如未来视觉帧、空间推理文本等）。训练目标被统一分解为：

• Direct VLA：

  ，纯动作监督。

• VLM-based VLA：引入语言对齐辅助目标（如子任务规划、空间 grounding）。

• WM-based VLA：引入未来观测预测作为辅助目标或隐式先验。

在这一抽象下，StarVLA实现了双向模块化（Bidirectional Modularity）：

• 可插拔Backbone：支持Qwen3-VL、InternVL等指令微调 VLM，以及Cosmos-Predict2等世界模型，只需轻量适配层即可接入统一表示契约。

• 可插拔Action Head：内置 4 种代表性动作解码器，共享同一forward与predict_action接口：

• StarVLA-FAST：自回归离散 Token 生成

• StarVLA-OFT：轻量 MLP 并行连续回归

• StarVLA-π：层间 Cross-DiT 流匹配去噪

• StarVLA-GR00T：System 2（慢推理）+ System 1（快动作）双系统架构

所有变体共享同一数据接口、训练循环与评测管线，仅需替换Backbone或Action Head即可完成范式切换。这彻底消除了跨方法对比时的「隐性变量干扰」。

训练范式

从单基准微调走向多模态协同

StarVLA 将训练策略抽象为与架构解耦的可复用配置，支持三大核心范式：

1. 行为克隆监督微调（SFT）

提供完整的分布式训练脚本（Accelerate + DeepSpeed ZeRO-2），支持全参数微调与子模块冻结。优化器采用多参数组独立学习率、bfloat16 混合精度与余弦衰减调度，确保异构组件训练稳定。

2. 多目标协同训练（Co-Training）

纯动作微调极易导致 VLM 主干「灾难性遗忘」。

StarVLA 内置双数据流协同机制：交替执行 VLA 动作前向与 VLM 语言建模前向，通过trainer.loss_scale.vlm动态平衡动作学习与多模态表征保留。实验表明，协同训练可显著提升空间grounding能力，并在WidowX与Google Robot 上带来4%~10%的成功率增益。

3. 跨形态混合训练（Cross-Embodiment）

通过LeRobotMixtureDataLoader，用户可在YAML中声明任意机器人数据集组合与采样权重，框架自动处理动作空间对齐与形态标签追踪。这一设计让「跨形态预训练」从定制脚本变为标准化配置。

评测与部署

Server-Client架构打通Sim2Real

为避免benchmark依赖污染模型环境，StarVLA采用轻量级WebSocket Server-Client评测抽象：

• 模型侧仅暴露 predict_action接口，加载 checkpoint 后启动策略服务。

• 评测侧（如 LIBERO、SimplerEnv、RoboTwin 2.0 官方环境）通过独立 Client 封装观测字典，以 msgpack 通信，返回归一化动作。

• 真实机器人部署无需修改任何代码：只需将机器人控制器替换为 Client，提供相同格式的相机观测与指令，即可无缝迁移至物理世界。

目前已集成7大主流基准（含LIBERO、SimplerEnv、RoboTwin 2.0、RoboCasa-GR1、BEHAVIOR-1K、CALVIN等），并附带完整的benchmark-specific adapter 实现动作反归一化、Chunk拆分、Delta/Absolute转换等后处理逻辑。

性能与效率

极简配置下的强泛化证明

StarVLA 刻意避免复杂的数据工程与在线优化（如 DAgger），仅用公开 VL 预训练权重在基准官方演示集上微调，即可达到极具竞争力的性能：

更关键的是，Backbone替换几乎不损性能：将Qwen3-VL-4B换为Cosmos-Predict2-2B，LIBERO平均分仍稳定在95.2%以上，验证了架构的泛化鲁棒性。

在跨基准Generalist设置中，单模型联合训练LIBERO + SimplerEnv + RoboTwin 2.0 + RoboCasa-GR1，RoboCasa平均成功率从Specialist最优的48.8%提升至57.3%，证明了统一管线下All-in-One训练的可行性。

计算效率方面：8×A100单节点测试显示，Per-GPU Batch Size=8时GPU利用率达92%，样本吞吐量56.6 samples/s；扩展至256 GPU多节点时，通信开销仅在8→32 GPU阶段产生一次跃升（0.735s→0.899s/step），随后稳定在~0.93s，并行效率维持在79%~80%，为大规模分布式训练提供明确的Scaling Guide。

总结与展望

StarVLA的价值在于为具身智能社区提供了一套可复现、可对比、可组合的基础设施标准。它用工程化的克制（统一 I/O 契约、声明式 YAML 配置、Server-Client 解耦）与理论上的洞察（L = L_action + L_aux的策略统一视角），终结了 VLA 研究的「巴别塔」时代。

对于研究者，它是验证新动作头/新主干的即插即用沙盒；对于工程师，它是从仿真到实机零代码修改的部署底座；对于社区，它是降低复现门槛、推动标准化评测的公共品。

参考资料：

https://arxiv.org/abs/2604.05014

秒追ASI