开源 VLA 观察 · 2026 年 9 月 · 创刊号（含推理成本基准第一期）

本期判断

• "开源 VLA"是分层的：权重开放、许可证可商用、仓库还在维护，是三件事。 索引里 40 个模型，许可证明确可商用的 17 个，半年内有推送的 17 个，两者兼备的只有 7 个。
• 下载量与维护状态已经脱钩。 近 30 天 Hugging Face 下载量的 54% 归 OpenVLA 一个模型，而它的仓库 544 天没有推送。它被下载是因为它是论文里的基线，不是因为有人拿它上机器人。
• 单流推理下，消费级显卡赢了数据中心卡。 五个模型在 A800 80GB 上全部不比 RTX 4090 快，四个慢 15% 到 33%，每千次成本是 4090 的 3 到 4 倍。对 batch 为 1 的 VLA 推理，80 GB 买到的只是显存余量。
• 约束是延迟，不是钱。 五个模型在 4090 上每千次推理 0.07 到 0.57 元；但一台独占显卡的机器人，一天的推理成本就是那张卡一天的租金（约 17.5 元），跟跑哪个模型无关。"每千次成本"对独占 GPU 的场景是误导性指标，我们的工作台因此改按天和按月算。
• "会推理的 VLA"在 1 Hz 量级，只能当大脑，当不了小脑。 MolmoAct 每步生成 64 个 token（含推理轨迹），三张卡上 p50 都在 0.7 到 0.94 秒；SmolVLA 显存 0.9 GB、5 Hz 达标，是五个里唯一能进边缘板卡的候选。这与行业"三层架构"的判断一致。
• 从"能下载"到"能跑通"之间的摩擦，是中文开发者最大的隐性成本。 第一批 9 个模型需要 4 套互斥的 Python 环境；4 个没能复现，原因是受限的分词器和私有运行时，不是显卡。
• 数据侧两极分化。 32 个公开数据集里，写明小时数的只有 7 个；规模最大的真机数据来自中国机构（InternData-A1 7,433 小时、AgiBot World 100 万条轨迹），另一头是 Hugging Face 上一万多个几分钟的 SO-101 社区数据集；中间"可商用、可下载、写明规模"的数据集屈指可数，许可证待核实的占 44%。

索引全景：40 个模型，一半以上来自中国机构

截至 9 月 18 日，索引收录 40 个开放权重的 VLA 模型、12 个机器人本体、6 种推理硬件。按机构所在地，23 个模型来自中国机构，17 个来自海外。按发布年份，2025 年发布 24 个，2026 年前九个月 7 个，2024 年 8 个，2023 年 1 个：这条曲线在 2025 年见顶后放缓，但样本太小，不足以说是趋势。

按参数量看，34 个写明参数量的模型里，小于 1B 的 6 个，1 到 4B 的 14 个，4 到 8B 的 10 个，8B 以上 4 个。中位落在 3B 左右。这与"要在机器人本体或一张消费级显卡上跑"的现实约束一致：更大的模型在论文里有，在机器人上没有。

许可证是索引里最脏的字段。17 个明确允许商用，8 个明确禁止，15 个我们标为待核实：代码许可证与权重许可证不一致、模型卡只写"research use"、或者根本没有 LICENSE 文件。这 15 个不是我们不认真，是来源本身没说清；我们不替它们下结论。

活性：一半仓库半年没动，下载集中在三个模型

本月上线了每日活性抓取（GitHub、Hugging Face、ModelScope 的公开接口），第一天的快照给出了两个此前无法量化的事实。

第一，39 个有 GitHub 仓库的模型里，20 个超过 180 天没有推送，28 个近 90 天零提交。近 90 天有提交的只有 11 个：lerobot（SmolVLA）超过 100 次，LingBot-VLA 2.0 有 23 次，InternVLA-A1.5 有 17 次，GR00T 与 Galaxea G0.5 各 10 次，其余在个位数。"开源具身模型很多"这句话，按维护状态过滤后只剩四分之一。

第二，下载集中度极高。近 30 天 Hugging Face 合计 80.9 万次下载，前三名（OpenVLA、SmolVLA、GR00T N1.7）占 85.5%。OpenVLA 一家 43.5 万次、占 54%，但仓库 544 天没有推送，7,039 个 star 也早已停止增长。合理的解释是：它是几乎所有后续论文的对照基线，评测脚本会自动拉它的权重。所以下载量在这里衡量的是学术引用惯性，不是生产采用。SmolVLA 的 15.9 万次和 lerobot 仓库 100 次以上的提交是同一件事的两面：它是目前唯一"有人在用、也有人在修"的模型。

ModelScope 方面，40 个模型里 23 个能找到同名镜像，其中 14 个由原厂商组织上传、9 个是第三方同名镜像。国内开发者下权重时，超过四成的模型仍要走 Hugging Face 镜像站。

推理成本基准第一期：三张卡、五个模型、15 条实测

方法：AutoDL 按量租用 RTX 4090、RTX 5090、A800 80GB 各一台，bf16、batch 1、固定 224 像素合成输入与同一句指令，预热 50 步后计 500 步，记录单步延迟的 p50 与 p95、吞吐、显存峰值。跑分脚本、环境与原始结果文件全部公开，每个数字都能回溯到一份 JSON。我们只测推理开销，不评价动作质量。

三个读法。

读法一：卡与卡之间的差异，小于模型与模型之间的差异。 同一张卡上，最快与最慢的模型差 8 倍；同一个模型在三张卡上最多差 33%。选模型对延迟的影响，一个数量级地大于选卡。

读法二：5090 相对 4090 的收益不均匀。 生成 token 越多的模型受益越大（MolmoAct 快 28%），小模型反而持平或略慢（NORA 慢 15%）。这符合 5090 的优势在显存带宽而不在单核延迟的常识。A800 则全面落后：它是为多卡训练与大批量推理设计的卡，单请求延迟不占优，每千次成本却是 4090 的 3 到 4 倍。

读法三：成本不是问题，频率才是。 以 4090 按量价 2.19 元/时计，五个模型每千次推理 0.07 到 0.57 元。但机器人不按次买推理：一台机器人独占一张卡，一天 8 小时就是 17.5 元，与模型无关。真正的差别在于这 17.5 元买到几赫兹：NORA 约 8 Hz，OpenVLA 约 6 Hz，SmolVLA 约 5 Hz，SpatialVLA 约 2.5 Hz，MolmoAct 约 1 Hz。把目标定在 5 Hz，五个模型三个达标。

复现情况需要如实记录。第一批计划 9 个模型，跑通 5 个。π0 与 π0.5 需要受限访问的 PaliGemma 分词器；MiniVLA 与 VLA-Adapter 依赖 prismatic 私有运行时而非 transformers 远程代码。五个跑通的模型需要四套互斥的环境：transformers 4.40.1、4.47.0、4.57.1 各一套，lerobot 再单独一套。我们把这些坑逐条写进了部署配方页。

许可证：读原文，不读印象

17 个模型明确允许商用，其中既允许商用又在半年内有维护的只有 7 个：GR00T N1.7、LingBot-VLA 2.0、X-VLA、MolmoAct、Being-H0、RoboVLMs、Spirit v1.5。8 个明确禁止商用的模型里，多数是学术实验室以 CC-BY-NC 发布的权重。15 个待核实里最常见的模式是"代码 Apache-2.0、权重没说"，这种情况我们不把代码许可证外推到权重。

基准分数表：LIBERO 已经饱和，分数是配方的分数

本月上线了公开基准分数表：340 条分数，覆盖 39 个模型，来源分三类——论文 270 条、官方仓库 38 条、第三方论文转引 32 条。全部照抄原文，逐条带表格号与协议备注，按基准分组，不做任何跨基准合成。三个观察。

LIBERO 不再区分模型。 26 条 LIBERO 四套平均分里，最高 98.9（Galaxea G0.5、InternVLA-A1.5），前八名全部落在 97 到 99 之间，彼此差距小于评测的随机波动。2024 年 OpenVLA 论文报的 76.5 到今天的 98.9，两年间这个基准从"能拉开差距"走到了"人人接近满分"。再看 LIBERO 的高分，看的是"有没有跑过 LIBERO 微调"，不是模型强弱。

同一个模型，分数差 20 分。 OpenVLA 在自己论文里的 LIBERO 平均是 76.5；换用 OFT 微调配方（同一套权重家族）后是 97.1。差的不是模型，是动作解码方式、微调步数与输入设置。这就是我们坚持不做综合分的原因：把 76.5 和 97.1 都记下来、都写明来源，比挑一个当"OpenVLA 的分数"更诚实。

SimplerEnv 仍有分辨力，真机分数不可比。 SimplerEnv Google Robot 视觉匹配口径的分数从 52 到 83.5 分布很开（X-VLA 83.5，InternVLA-M1 80.7，CogACT 76.7，EO-1 76.5），是目前少数还能区分模型的公开仿真基准。98 条真机评测分来自 30 个模型各自的机器人、任务与试验次数，我们照录，但它们之间不能横向比较——我们把它单独归为一组并明确标注。

两个空白：Spirit v1.5 没有任何印出来的数字（只有排行榜名次）；π0 的所有分数都来自第三方论文，自己的论文只画图不列表。

数据集索引：规模不写明是常态，中间层是空的

数据集索引首批收录 32 个公开数据集（真机 / 人类视频 / 仿真），每个字段带来源。这是模型索引的另一半：能不能把一个模型微调到自己的机器人上，先看有没有数据。第一批数字给出四个事实。

规模不写明是常态。 32 个里写明总小时数的 7 个，写明轨迹条数的 18 个，两者都没写的 12 个——包括 LIBERO、CALVIN 这样被几十篇论文当基准的数据集，也包括 Galaxea、Unitree 这样的厂商发布。写明的部分合计 13,028 小时、757 万条轨迹，但这个合计没有意义：InternData-A1 一家 7,433 小时，Ego4D（人类第一视角视频，不是机器人）3,670 小时，两者占小时数的 85%。

中国机构提供了最大的真机数据。 8 个来自中国机构的数据集里有 AgiBot World（100 万条轨迹）、InternData-A1（63 万条、7,433 小时）、ARIO（303 万条，聚合多源）、RoboMIND、Galaxea、傅利叶 ActionNet。按公开的真机轨迹数，前两名都是中国厂商。但这些数据集在 Hugging Face 上多为受限访问（要申请），能确认有 ModelScope 页面的只有 2 个：国内开发者拿数据比拿模型更难。

许可证与模型一样脏。 11 个明确允许商用，7 个明确禁止，14 个待核实（44%）。常见情况是数据卡标 CC-BY-NC-SA、代码仓库标 Apache-2.0，或者根本没写。我们按原文机械分类，不外推。

格式碎片化，LeRobot 还不是标准。 32 个里 LeRobot 格式 6 个、HDF5 6 个、自定义格式 7 个、未写明 8 个，其余是 RLDS、zarr、webdataset。LeRobot v2/v3 是增长最快的格式，但按存量它只是四分之一；开发者拿到一个新数据集，多数时候第一步是写转换脚本。

最后一个数字：Hugging Face 上按 "so101" 搜索返回 10,235 个数据集、"so100" 返回 4,101 个（2026-09-18 观察，搜索匹配而非格式过滤）。这是 SO-101 机械臂加 LeRobot 工具链带来的长尾：上万个几分钟的小数据集，单个没有价值，合起来没人统计过总小时数。这个空白值得填。

对开发者意味着什么

1. 选型先过三道筛：许可证原文允许商用、仓库半年内有推送、在你的卡上有实测频率。三道都过的模型，目前索引里不到十个。
2. 显卡预算优先买消费级：单机器人、单流推理的场景，4090 一级的卡在延迟和成本上都优于 80 GB 数据中心卡；只有微调和多路推理才需要大显存。
3. 目标频率决定候选集：需要 5 Hz 以上的技能层，目前只有小于 4B 的模型能达到；带推理轨迹的模型放在 1 Hz 的任务规划层。
4. 预留环境成本：每个模型当作一个独立的 Python 环境来对待，不要试图共用；把权重下载时间算进第一天的排期。

下月观察点

• 活性数据积累满 30 天后，看 stars 与下载的周变化是否与提交活跃度一致，还是继续脱钩。
• 第二批实测：补 π0 / π0.5（需解决受限分词器）、GR00T N1.7、RDT-1B、CogACT；加入 int8 精度对照。
• 数据集索引与基准分数表上线后的第一次交叉：有实测、有分数、有数据、可商用的模型有几个。
• 15 个许可证待核实的模型，逐个向仓库提 issue 询问权重许可证，记录回复。

方法与边界

本期所有数字来自 2026 年 9 月 18 日的数据文件：模型与本体字段来自各仓库 README、模型卡与论文并附来源；活性数字来自 GitHub、Hugging Face、ModelScope 公开接口当日快照；实测来自我们自己租用的 GPU。实测只反映固定合成输入下的推理开销，不反映真实相机流水线、不评价动作质量。判断部分是维护者的观点，标注为观点。全部数据可在 /data/ 目录下载。