中大 × MBZUAI重磅开源！A₁：全透明高效 VLA 模型，机器人实时控制成本直降 76% 丨CVPR 2026 Findings

中大 ×MBZUAI 开源 A₁，机器人控制成本大降。

开放世界机器人操作一直被大模型算力成本、推理延迟两大难题卡脖子：千亿级 VLM 骨干 + 迭代扩散 / 流匹配动作头，让普通硬件根本跑不动实时控制。

来自中山大学、MBZUAI、Spatialtemporal AI 与 ATeam 的团队直接给出全开源、全透明、自适应、高效率的解决方案 ——A₁截断式视觉 - 语言 - 动作模型，一套预算感知自适应推理方案，同时加速骨干网络与动作头，推理延迟最高降 72%、骨干计算量砍 76.6%，性能还能打平甚至反超主流基线。

从仿真到真机、从单臂到多平台，A₁凭开源全栈跑出 SOTA，彻底打破VLA 模型 “高性能 = 高成本” 的魔咒。

01

行业痛点：VLA模型很强，

但用不起、跑不动

Vision-Language-Action（VLA）已经成为通用机器人操作的主流范式：大尺度视觉语言模型（VLM）把多模态观测压缩为隐式表示，动作头（扩散 / 流匹配）再映射为连续电机指令，泛化性拉满。

但落地代价极其昂贵：

▪ 为了保证语义理解与可供性推理，模型必须使用数十亿参数的 VLM 骨干，推理耗时极长；

▪ 为了动作平滑与精准，动作头普遍采用扩散或流匹配架构，需要十数轮迭代去噪，算力开销巨大；

▪ 现有优化大多只针对 VLM 主干，动作头始终是被忽略的瓶颈，即便主干加速，整体延迟依然居高不下；

▪ 最终结果是：能跑 SOTA 的 VLA 模型，必须依赖高端计算集群，普通硬件无法实现实时控制。

团队总结出三个关键观察，直接戳中效率优化核心：

1.轨迹收敛：流匹配轨迹 3 步内就锁定正确模式，后续迭代收益递减；

2.动作冗余：连续控制步动作平滑变化，只需粗更新；

3.层间耦合：VLM 中间层已包含足够空间视觉特征，没必要跑完全层。

一句话：算力只花在“会改变动作”的地方，A₁就此诞生。

02

核心设计：一套自适应框架，

同时卷性能与效率

A₁没有走 “轻量化重训” 或 “单纯剪枝” 的老路，而是从推理全链路出发，提出一套预算感知、动态退出、层间热启动的协同加速方案，在不损失任务成功率的前提下，实现效率数量级提升。

整体架构

A₁由 VLM 骨干与动作头组成，VLM提供语义与可供性特征，动作头支持流匹配（FM）与MLP两种实现；自适应推理方案同时压缩骨干计算量与动作头迭代次数，兼顾速度与成功率。

图1：A1模型整体架构

1.多出口训练：让每一层都具备动作预测能力

传统 VLA 只在最后一层输出动作，A₁在训练阶段就让 VLM每一层都连接共享动作头，直接监督各层输出的动作序列。这一设计让模型在推理时，可以随时在中间层读取动作结果，为动态早停打下基础。

2.动作一致性早停：算力只花在 “必要的层”

推理时，模型逐层计算动作，并与上一层结果做一致性校验。当动作变化小于阈值时，直接判定 “特征足够”，提前终止主干前向。团队使用余弦相似度、L2 距离等指标衡量动作稳定性，并通过训练集统计得到分层阈值，在 “节省算力” 与 “保持精度” 之间取得最优平衡。

3.层间截断流匹配：解决早停带来的次生瓶颈

动态早停虽然加速了 VLM，但会让流匹配动作头在每一层都重复执行完整去噪步骤，反而拖慢速度。为此，团队提出层间热启动流匹配：

▪ 大幅减少单轮去噪步数（从 10 步降至 2 步）；

▪ 上一层的动作输出，直接作为下一层去噪的初始值，实现热启动；

▪ 避免从随机噪声重新开始，既保证精度，又把动作头开销压到最低。

4.多机器人泛化训练：开源数据也能练出强迁移模型

A₁采用两阶段训练：第一阶段在大规模开源机器人数据上预训练，学习通用操作先验；第二阶段在真实机器人轨迹上微调，适配不同机型与场景。

团队还融合了 15951 条自研真机数据，进一步缩小仿真到现实的差距，让模型在 Franka、AgiBot、WuJie-Arm等多款机械臂上都能稳定工作。

03

深度解读：

A₁到底解决了VLA的哪些核心痛点？

如果只看加速数字，很容易低估 A₁的价值。它真正的突破，是重新定义了高效VLA的设计范式。

1.第一次实现主干与动作头联合加速

过去的加速方案都是 “单边优化”：要么压 VLM，要么简动作头。A₁证明，只有协同优化，才能实现端到端延迟大幅下降。早停降低主干计算，热启动流匹配降低动作头迭代，两者耦合，才把延迟从数十秒压到秒级。

2. 用最小精度损失换取最大效率收益

实验显示，即便减少 76.6% 的主干计算，任务成功率仅小幅下降。这说明：VLA模型存在极端严重的过计算，大量深层特征对机器人操作来说并非必需。A₁用数据证实，动态优化不是 “妥协精度”，而是 “回归合理计算”。

3.开源全栈，打破封闭壁垒

当前顶尖 VLA 大多依赖闭源数据与私有框架，社区难以复现。A₁全程使用开源数据训练，并开放权重、代码、数据处理流程与评估脚本，让小型实验室与普通开发者也能搭建高性能、低成本的机器人控制模型。

04

实验验证：

从仿真到真机，全面超越现有开源方案

A₁在三类标准场景上完成系统验证，结果显示：它在效率上大幅领先，在性能上同样达到SOTA。

仿真环境：高精度与强泛化兼顾

在 LIBERO 长期操作基准上，A₁实现 96.6% 的平均成功率，在物体操作任务上接近满分；在 VLABench 长程推理任务上，A₁超越 π₀.5 等模型，展现出优秀的语言理解与任务规划能力；在分布偏移更大的LIBERO-Plus 上，A₁零射性能达到 75.3%，显著优于对比方法，证明其特征具备强泛化性。

表1：LIBERO、VLABench 主流模型成功率对比，A1取得领先性能。

真实机器人：跨平台稳定执行

在 Franka、AgiBot、WuJie-Arm、Dobot-Arm 四款机械臂上，A₁完成放杯子、摆水果、捡胶水、擦桌子、叠积木等一系列日常操作，平均成功率达到56.7%，明显高于 π₀与 π₀.5。尤其在小样本学习场景下，A₁能快速适应新任务，表现出极强的实用潜力。

表2:真机多平台结果表

RoboChallenge：开源模型登顶

在包含 30 个复杂真机任务的 RoboChallenge 上，A₁在完全开源、无闭源数据的条件下，取得 29.00% 的平均成功率，超过 π₀、X-VLA、RDT-1B 等一众开源模型，证明开源路线同样可以做到顶尖水平。

表3:RoboChallenge 基准结果表

效率表现：延迟与计算量双降

在最优配置下，A₁-FM 单回合推理时间从 37.8 秒降至 10.5 秒，降幅达 72.3%；A₁-MLP最多可减少 76.6% 的主干计算，依旧保持 92% 以上的成功率；在真机 AgiBot 上，模型计算量降低 84.6%，操作精度几乎没有下降，真正实现 “低成本、高可用”。

表4、5:自适应早停效率表

行为可视化：更稳定、更鲁棒

从任务执行视频可以直观看到：对比模型容易出现物体混淆、夹爪提前闭合、抓取偏移等问题；A₁能稳定识别目标，动作连贯，在长程任务中依然保持高可靠性。同时，动态推理可视化显示：简单移动在浅层即可退出，复杂操作才进入深层，算力分配高度智能。

图2：任务执行对比

图3：真机动态推理可视化

05

局限与未来

A₁打开的下一代VLA研究方向

尽管 A₁在效率与性能上取得显著突破，团队仍清晰指出当前方案的改进空间，并为后续研究指明方向。

第一，当前预训练依赖带标注的可供性数据，未来可引入无监督或自监督方法，从海量机器人视频与交互数据中自动挖掘可供性先验，进一步扩大数据来源。

第二，A₁以模仿学习为基础，在长程任务中仍存在累积误差。后续可结合强化学习，通过环境实时反馈修正策略，提升复杂场景下的鲁棒性与成功率。

第三，云边推理与机械臂执行之间的同步延迟，仍会影响操作流畅度。团队计划采用异步执行、预测控制等方式，提升真机运行的顺滑度。

第四，A₁已成功部署在自研双臂移动平台，下一步将重点拓展双臂协同、移动操作、非结构环境适应等能力，向更通用的家庭与工业机器人迈进。

06

A₁第一次把 “高性能、高效率、全开源” 三件事同时做到位，用一套简单优雅的自适应截断方案，把 VLA 模型从 “实验室奢侈品” 拉到 “可落地实用款”。

从仿真到真机、从单臂到双臂、从小样本到泛化，A₁证明：开源透明的研究，完全能打赢闭源方案。

全套代码、权重、数据 pipeline 已开放，机器人底层玩家可以直接冲了。

论文信息

标题：A₁: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model

代码：https://github.com/ATeam

项目页：https://ATeam.com/en/research/68bc2cde8497d7f238dde690

链接：https://arxiv.org/abs/2604.05672

论文作者介绍：

张凯东，中山大学计算机学院2024级硕士，本科毕业于中山大学智能工程学院，师从梁小丹教授。研究方向为具身智能。

张健，穆罕默德·本·扎耶德人工智能大学（MBZUAI）计算机视觉博士生，研究方向为具身智能。分别于2023年和2020年从北京大学和合肥工业大学获得硕士和学士学位。

许镕涛 MBZUAI研究员，无界智慧CTO。中科院自动化所多模态人工智能国重（前模识国重）博士, 在学期间曾获得中科院院长奖、两次IEEE旗舰会议最佳论文提名奖、国奖、北京市和中科院优秀毕业生。华中科技大学数学与计算机双学士学位。研究方向为具身智能与机器人，提出全球首个基于空间可供性操作大模型A0，曾在银河通用共同主导全球首个具身导航大模型NaVid。在顶级学术会议和期刊(RSS,IRCA,IROS,CVPR,ICCV,ECCV,NeurIPS,ICML,ICLR,AAAI,EMNLP,MICCAI,TPAMI,TIP,TNNLS,TII,TIM,TMM,TCSVT,ISPRS)上共发表论文80余篇,其中以第一作者或通讯作者发表论文近40篇，含ESI高被引论文3篇，IEEE Trans封面文章1篇，发表8次Oral论文。拥有10余项发明专利，研究成果应用于YOLO系列，以及无界智慧、银河通用、华为、Momenta等多款产品。

梁小丹是中山大学深圳校区的教授，同时也是穆罕默德·本·扎耶德人工智能大学（MBZUAI）计算机视觉系的副教授。她曾是卡内基梅隆大学的项目科学家，与邢教授合作。

她在视觉语言理解与生成及其在具身人工智能中的应用方面发表了 120 余篇前沿论文，这些论文发表于该领域最负盛名的期刊和会议，谷歌引用量超过 30000 次。

她定期担任 ICCV、CVPR、NeurIPS、ICML、ICLR 和 AAAI 等会议的领域主席，并担任 CVPR 2021 的教程主席、 CVPR 2023 的评审主席。她曾荣获ACM中国最佳博士论文奖、CCF 最佳博士论文奖以及阿里巴巴达摩院青年学者奖。她的研究成果已被应用于多家知名人工智能公司（如 Deepseek、联想、字节跳动和腾讯）的关键产品中。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。