# 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。

### TLDR

- **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。

### SRC

主源为 arXiv 2611.21607 v1（https://arxiv.org/abs/2611.21607 ），提交时间 **2026-11-16 18:59:37 UTC**，即北京时间 **2026-11-17 02:59**，类型标注 Tech Report、学科 cs.RO，12 位作者，提交人 Zekun Qi。对照源为同日提交的 arXiv 2611.18372《Vision-Language-Action Models: A Life-Cycle Survey》（https://arxivsignals.io/papers/2611.18372 ），其摘要给出了 88 篇工作、22 个模型的横向统计，本文的「行业在往小模型走」这一前提即引自该综述，不是作者推测。素材时间窗为**前一日 18:00 → 当日 09:00（2026-11-16 18:00 → 2026-11-17 09:00）**，本条落在窗内。

边界与不确定：①本文所有数字均取自论文摘要，**未取得 PDF 全文与实验附录**，因此训练数据规模、评测次数、置信区间、chunk 长度均未知，凡涉及这些的地方一律未做推算；②「87.8% 对 85.6%」是两个不同设定下的成功率，**论文未在摘要中给出方差**，2.2 个百分点的差距是否显著本文无法判断，只能按作者结论转述；③「相对提升 44%」与「5 倍示范差」是本文自算，算式已在正文写出；④216 毫秒为论文自报中位值，测试硬件与 batch 设置未在摘要披露，不构成任何部署承诺；⑤「行业往小模型卷」的表述基于同日综述的统计，属转述，非作者原创结论；⑥文中所有关于成本结构、示范经济学、边缘算力的论述均为作者判断，以「判断：」开头。版权与免责声明由模板自动附加。

### BODY

<p>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。</p>

<p>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」。</p>

<div class="sec">
<div class="eyebrow">一、它到底改了什么</div>

<p>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。</p>

<p>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。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">二、三组数字，三个不同的问题</div>

<div class="tbl-wrap"><table>
<tr><th>能力</th><th>552B 主干</th><th>小主干最好成绩</th><th>这组数字在问什么</th></tr>
<tr><td>样本效率</td><td>10 次示范 87.8%</td><td>2B / 50 次示范 85.6%</td><td>采一条示范值多少钱</td></tr>
<tr><td>泛化（LIBERO-PRO）</td><td>45.1%</td><td>≤31.3%</td><td>换个场景还认不认得</td></tr>
<tr><td>精细操作（真机插充电器）</td><td>9/10</td><td>4/10</td><td>接触那一下稳不稳</td></tr>
</table></div>
<div class="cap">表注：数据取自 arXiv 2611.21607 摘要；「小主干最好成绩」是各档对比中的最优值，非某一个固定模型；LIBERO-PRO 为仿真基准，真机项为充电器插入任务。抓取日期 2026-11-17。</div>

<p>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」。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">552B 主干</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">45.1%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">小主干最高</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:69.4%"></div></div><div class="jx-bar-val">31.3%</div></div>
<div class="jx-legend"><div class="jx-lg">LIBERO-PRO 成功率，柱长为 45.1% 归一化后的比例（31.3÷45.1≈69.4%）；两者均为失败率过半的水平，不宜读作「可用」</div></div>
</div>
</div>

<div class="sec">
<div class="eyebrow">三、10 次打赢 50 次，省的是谁的账</div>

<p>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%。</p>

<p>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。</p>

<div class="keypoint">判断：这篇论文最该被产业界读走的一句话，不是「552B 更强」，而是「示范数据的边际价值随主干规模上升」。它把行业的成本结构从「采数据最贵」推向「买算力最贵」，而这两件事的议价方式完全不同——前者靠场景合作，后者靠采购谈判。</div>
</div>

<div class="sec">
<div class="eyebrow">四、216 毫秒这个数，要除以动作块</div>

<p>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」。</p>

<p>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：</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">块长 1 步（最坏读法）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">216 ms/步</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">块长 8 步（常见设定）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:12.5%"></div></div><div class="jx-bar-val">27 ms/步（自算）</div></div>
<div class="jx-legend"><div class="jx-lg">同一 216 毫秒在不同块长下的每步摊销；块长论文摘要未披露，两种情形均为按常见设定的示意，不是论文数值</div></div>
</div>

<p>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。<strong>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。</strong></p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">五、判断：坐标换了，账也就换了</div>

<p>把这份报告和同日的综述并排放，能看到一条清晰的分岔。</p>

<p>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**。</p>

<p>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。</p>

<div class="keypoint">判断：接下来 12 个月真正会被验证的，不是「谁的主干更大」，而是「谁的示范采集成本更低」。因为参数可以买，数据只能一条一条采。552B 这条路线的商业含义是把竞争从「场景数量」推向「算力预算」——这对有云的玩家有利，对靠现场服务的集成商不利。</div>

<p>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。</p>

<p>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。</p>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/scalevla-552b-10-demos-216ms/*
