552B 参数、216 毫秒、10 次示范:全行业在往小模型卷,这份报告反着做了一个大的
别人在把 VLA 压到 3–7B 甚至 1B 以下以便塞进消费级显卡,这份技术报告把主干直接换成 552B,然后用「10 次示范打赢 50 次」和「LIBERO-PRO 45.1% 对 31.3%」证明大主干不白给。附赠一个容易被忽略的口径:216 毫秒是每个动作块,不是一个 token。
- 规模:ScaleVLA 把 552B 的 DeepSeek-V4.1-Flash 主干接到一个可训练的 action DiT 上,在同一套训练设置下把 2B 到 552B 的主干横向比了一遍(arXiv 2611.21607,2026-11-16 提交)。
- 样本效率:10 次示范的成功率 87.8%,高于 2B 主干用 50 次示范的 85.6%——示范数量差 5 倍,胜的是那个小的。
- 泛化:LIBERO-PRO 上 45.1%,对比各档小主干最高 31.3%,相对提升约 44%(自算)。
- 真机:充电器插入从 4/10 提到 9/10,报告写明增益集中在「接触敏感的对齐」环节,不是视觉识别环节。
- 延迟:每个动作块中位 216 毫秒。这是 chunk 口径,不能直接拿去和「百毫秒级单步推理」对比。
- 判断:这篇的真正信息不是「大模型更强」,而是瓶颈的坐标换了——当示范数据成为最贵的一项,用参数换示范是笔能算清的账;反过来,当推理算力成为最贵的一项,这笔账立刻倒挂。
2026 年 11 月 16 日到 17 日这个隔夜窗口里,同一批 arXiv 上出现了两份方向相反的文件:一份是 88 篇工作的 VLA 全生命周期综述,结论是模型规模正在**分裂**——多数近期模型落在 3 到 7B,另有一组压到 1B 以下、专门跑消费级显卡;另一份是这篇技术报告,直接把主干干到 552B。
两份文件不冲突,它们回答的是两个不同的问题。综述问的是「现在大家在用什么」,报告问的是「如果不管成本,天花板在哪」。
ScaleVLA 的结构并不复杂:冻结或半冻结的前沿视觉语言主干,接一个可训练的 action DiT,由后者输出动作。这个「大 VLM + 小动作头」的范式在 2025 年之后已经常见,真正少见的是**尺寸**——552B,比主流 VLA 主干大两个数量级。
论文把实验设计成一条完整的缩放曲线:2B 到 552B,**同一套训练设置**。这一点比数字本身重要。跨论文比规模,永远比不出结论,因为数据、超参、评测协议全在变;只有把变量摁住,参数的边际收益才看得见。
它选了三个维度来测,恰好对应机器人基础模型的三道关:样本效率、泛化、精细操作。
| 能力 | 552B 主干 | 小主干最好成绩 | 这组数字在问什么 |
|---|---|---|---|
| 样本效率 | 10 次示范 87.8% | 2B / 50 次示范 85.6% | 采一条示范值多少钱 |
| 泛化(LIBERO-PRO) | 45.1% | ≤31.3% | 换个场景还认不认得 |
| 精细操作(真机插充电器) | 9/10 | 4/10 | 接触那一下稳不稳 |
三组数字的分量不一样。泛化那一栏最能说明问题:45.1% 对 31.3%,相对高出约 44%(自算:45.1÷31.3−1)。但请注意绝对水平——**45.1% 意味着超过一半的测试场景它仍然失败**。这不是「解决了泛化」,这是「泛化的起点被抬高了一截」。
样本效率那一栏最扎眼:10 次示范 87.8%,对比 2B 主干 50 次示范的 85.6%。
如果把这条结论翻译成钱,算的是这样一笔账:在工业现场采一条有效示范,成本远不止「操作员按几下」。要清场、要停线、要工程师在场标定、要保证物体位置可复现。一条示范的真实成本常常是几百到几千元,还要乘上「采完发现不能用」的返工率。示范数从 50 降到 10,省下的不是 40 次动作,是 40 次停线。
报告给出的延迟是「每个动作块中位 216 毫秒」(216 ms median latency per action chunk)。这个口径必须说清楚,否则会被读成「大模型也能实时」。
VLA 的输出通常是一个动作块(chunk),不是单步。一个块里包含若干步关节指令,机器人执行完这一块才回来问下一次。所以:
块长决定一切。若块长 8 步,每步摊 27 毫秒,够用;若块长 1 步,216 毫秒意味着控制频率不到 5Hz,只能做慢速任务。论文摘要把块长留白了,这是读这篇报告时最大的一个空洞。
同样要问的还有硬件。552B 参数的推理不可能跑在机器人本体上,它必然走端云分离。那么 216 毫秒里包不包含网络往返?如果不包含,实际控制回路还要再加一段——而这一段恰恰是工业客户最不能接受抖动的地方。
把这份报告和同日的综述并排放,能看到一条清晰的分岔。
综述统计的三条趋势是:训练数据从 π0 的约 1 万小时遥操作,扩到 SmolVLA 的 2.3 万个社区采集 episode、GR00T N1.7 的 2 万小时第一人称人类视频;模型规模分裂成「3–7B 主流」与「1B 以下跑消费卡」两团;并且明确指出**一些基准接近满分的 VLA,在物体或相机稍微移动时就失效**。
第三条是最要命的一句。它说明当前榜单分数与真实可用性之间有一道断层。ScaleVLA 的 45.1% 恰好落在断层上:比小模型好得多,绝对值仍然难看。
对做落地的人来说,这份报告有一个很实际的用法:它给了「换更大主干」这件事一个可量化的收益区间。10 次对 50 次、45.1% 对 31.3%、9/10 对 4/10——如果你手上的项目正卡在「每个新工位都要重新采 50 条」,这三组数字就是评估要不要换底座时的参照。但如果你卡的是「现场网络只能给 50 毫秒预算」,那这篇报告帮不上忙,它连块长都没告诉你。
一个 552B 的 VLA 不会装进任何一台机器人。它更可能的形态是一个「教师」——在云端跑,给端侧的小模型生成训练信号或动作标签。这条路在自动驾驶上已经走通过一遍。区别在于,车有稳定的蜂窝连接和统一的传感器配置,工厂没有。