📊 一句话总结
| 模型 | 定位 | 核心创新 |
|---|---|---|
| OpenVLA | 开源通用 VLA 基线 | 首个真正开源可微调的 7B VLA，让研究门槛大幅降低 |
| DreamVLA | 预测驱动 VLA | 让模型先"做梦"预测未来，再决定动作，像人类一样有前瞻 |
| GR00T N1 | 人形机器人专用基座 | 双系统架构（慢思考+快反射），专为复杂人形机器人设计 |
🏗️ 架构对比
OpenVLA：经典自回归路线
图像 ──→ DINOv2 + SigLIP 融合编码 ──→ Llama 2 7B ──→ 动作 Token
语言 ──→ Prismatic VLM ──→ │
↓
连续动作输出
特点：
- 基于成熟的自回归语言模型 (Llama 2)
- 视觉编码器融合 DINOv2（空间理解）+ SigLIP（语义理解）
- 直接预测动作 Token，简单直接
DreamVLA：扩散模型 + 世界预测
图像 ──→ 视觉编码器 ──→ 多模态融合 Transformer
语言 ──→ GPT-2 Medium ──→ │
↓
┌─────────────────┐
│ 未来知识预测模块 │
│ - 动态区域（光流） │
│ - 深度图 │
│ - 语义分割 │
└────────┬────────┘
↓
DiT-B 扩散解码器
↓
动作序列输出
核心创新：
- "先做梦，后行动"：模型不只预测动作，还预测未来视觉状态
- 使用扩散 Transformer (DiT-B) 生成动作，适合多模态动作分布
- 块级结构化注意力，防止不同知识类型互相干扰
GR00T N1：类人的双系统架构
┌─────────────────────────────────────────────────────────────┐
│ GR00T N1 双系统 │
├─────────────────────────────┬───────────────────────────────┤
│ System 2 (慢思考) │ System 1 (快反射) │
│ Vision-Language Model │ Diffusion Transformer │
│ │ │
│ • 理解环境和语言指令 │ • 实时生成流畅动作 │
│ • 推理和规划 │ • 低延迟响应 │
│ • 类比人类前额叶皮层 │ • 类比人类小脑/脊髓反射 │
└─────────────┬───────────────┴───────────────┬───────────────┘
│ │
└────────── 端到端联合训练 ────────┘
核心创新：
- 双系统模仿人类认知：慢系统深思熟虑，快系统实时反应
- 两个系统紧密耦合、端到端联合训练
- 专为人形机器人设计，支持双臂操作
📈 性能数据对比
仿真基准 (CALVIN ABC-D)
| 模型 | 平均完成长度 (Avg Len) | 相比 OpenVLA 提升 |
|---|---|---|
| OpenVLA | 3.27 | - |
| DreamVLA | 4.44 | +36% |
| GR00T N1 | 未公开具体数字 | - |
真实世界任务
| 模型 | 场景 | 成功率 | 备注 |
|---|---|---|---|
| OpenVLA | WidowX/Google Robot | 优于 RT-2-X 16.5% | 多平台通用 |
| DreamVLA | 真实机器人操作 | 76.7% | 复杂长程任务 |
| GR00T N1 | Fourier GR-1 语言任务 | 93.3% | 语言跟随能力 |
推理速度
| 模型 | 参数 | 推理频率 | 备注 |
|---|---|---|---|
| OpenVLA | 7B | 3-5 Hz | 较慢 |
| MiniVLA | 1B | 12.5 Hz | OpenVLA 轻量版，快 2.5x |
| DreamVLA | 7B | 未明确 | 扩散模型需要多步去噪 |
| GR00T N1 | 3B (N1.5) | 实时 | 优化部署 |
🎯 核心差异分析
1. 动作生成方式
| 模型 | 方法 | 优势 | 劣势 |
|---|---|---|---|
| OpenVLA | 自回归 Token 预测 | 简单直接，与语言模型统一 | 可能丢失动作连续性 |
| DreamVLA | 扩散模型 DiT | 捕捉多模态动作分布，长程规划强 | 推理慢，需要多步去噪 |
| GR00T N1 | 扩散 Transformer | 实时性好，适合高频控制 | 需要精心设计双系统接口 |
2. 数据策略
| 模型 | 训练数据 | 规模 | 特色 |
|---|---|---|---|
| OpenVLA | Open X-Embodiment | 970k 真实轨迹 | 多机器人泛化 |
| DreamVLA | 仿真 + 真实数据 | 未公开 | 预测未来视觉知识作为监督 |
| GR00T N1 | 数据金字塔 | 780k 合成 + 真实 | DreamGen 合成数据扩展 10 倍 |
3. 适用场景
OpenVLA ──────────────────────────────────────►
▲ 研究、教育、快速原型验证
│ 低成本入门 VLA
│
DreamVLA ─────────────────────────────────────►
▲ 需要长程规划的任务
│ 复杂操作序列
│ 研究前瞻推理
│
GR00T N1 ─────────────────────────────────────►
▲ 人形机器人
│ 双臂协调操作
│ 工业级部署
---
💡 如何选择？
选 OpenVLA，如果你：
- 刚入门 VLA，想要一个稳定可靠的基线
- 需要在多种机器人平台上快速验证想法
- 研究资源有限，需要开源可微调的方案
- 有 Consumer GPU (3090/4090 即可微调)
---
选 DreamVLA，如果你：
- 研究长程复杂任务（需要多步规划）
- 相信"预测未来"是智能的关键
- 需要处理多模态动作分布（不止一种正确做法）
- 不介意扩散模型的推理开销
---
选 GR00T N1，如果你：
- 专注人形机器人
- 需要工业级部署
- 想要开箱即用的完整解决方案（数据+模型+仿真）
- 认同双系统架构的类脑设计
---
🔮 技术趋势洞察
从对比中看出的方向：
1. 扩散模型正在成为动作生成的主流
- DreamVLA 和 GR00T N1 都用扩散 Transformer
- 相比自回归，更能捕捉动作的连续性和多模态性
- GR00T N1 用 DreamGen 扩展 10 倍数据
- NVIDIA 11 小时生成 780k 轨迹（相当于 9 个月人类演示）
- DreamVLA 预测未来视觉状态
- 这与 Yann LeCun 倡导的"基于世界模型的推理"一致
- OpenVLA 走通用路线（多种机器人）
- GR00T N1 走专用路线（专注人形）
- 两者都有其价值，取决于应用场景
📚 延伸阅读
| 论文/资源 | 链接 |
|---|---|
| OpenVLA Paper | https://arxiv.org/abs/2406.09246 |
| DreamVLA Paper | https://arxiv.org/abs/2502.16180 |
| GR00T N1 Paper | https://arxiv.org/abs/2503.14734 |
| Open X-Embodiment Dataset | https://openxembodiment.org/ |
| NVIDIA Isaac GR00T Blueprint | https://build.nvidia.com/nvidia/gr00t-blueprint |
一句话总结：
- 要开源基线 → OpenVLA
- 要前瞻规划 → DreamVLA
- 要人形专用 → GR00T N1