A1：开放训练流程的低成本自适应视觉语言动作模型

视觉-语言-动作 (VLA) 模型已成为开放世界机器人操作的强大范例，但其实际部署往往受到成本的限制：数十亿级的 VLM 主干和基于迭代扩散/基于流的动作头会产生高延迟和计算量，使得实时控制在商用硬件上变得昂贵。我们推出了 A1，一个完全开源且透明的 VLA 框架，专为低成本、高吞吐量推理而设计，且不会牺牲操作成功率；我们的方法利用预先训练的 VLM，为动作生成提供隐含的可供性先验。我们发布了完整的训练堆栈（训练代码、数据/数据处理管道、中间检查点和评估脚本）以实现端到端的可重复性。除了单独优化 VLM 之外，A1 还通过引入预算感知自适应推理方案来共同加速主干网和行动头，从而实现完整的推理管道。具体来说，我们监控中间 VLM 层的动作一致性以触发提前终止，并提出层间截断流匹配来热启动跨层去噪，从而以更少的有效去噪迭代实现准确的动作。在模拟基准（LIBERO、VLABench）和真实机器人（Franka、AgiBot）中，A1 实现了最先进的成功率，同时显着降低了推理成本（例如，流匹配推理的每次任务执行的延迟降低高达 72%，主干计算减少高达 76.6%，性能略有下降）。在 RoboChallenge 上，A1 的平均成功率为 29.00%，优于 pi0（28.33%）、X-VLA（21.33%）和 RDT-1B（15.00%）等基线。