Mejores modelos de VLA 2026: Guía completa de visión-linguego-acción
Los 8 mejores modelos de visión-lenguaje-acción para la robótica en 2026 <unk> OpenVLA, Octo, pi0, RT-X, Política de difusión, ACT <unk> clasificados con licencias, hardware y notas de ajuste.
Los 8 modelos de acción y imitación de lenguaje de visión que recomendamos en 2026
Actualizado abril 2026 8 modelos clasificados Pesos abiertos priorizados
[Brasquear todos los modelos]
TL;DR Nuestras mejores selecciones de 2026, clasificadas: 1. OpenVLA (mejor VLA de peso abierto integral) · 2. Octo (mejor política de difusión compacta) · 3. pi0 (mejor versión de Inteligencia Física) · 4. RT-1-X (mejor línea de base histórica pequeña) · 5. Política de difusión (mejor algoritmo de aprendizaje de imitación para demostraciones multimodal) · 6. ACT (mejor para teleop bimanual) · 7. InternVLA-M1 (mejor VLA de tierra espacial del laboratorio de IA de Shanghai) · 8. SmolVLA (mejor VLA ligero bajo el paraguas LeRobot).
¿Qué hace que un modelo VLA sea "mejor" en 2026?
El panorama de VLA ha madurado rápidamente. Hace dos años, "mejor" significaba "cualquier modelo que funcione en absoluto". Hoy, con OpenVLA, Octo, pi0, InternVLA-M1, y una docena de variantes de investigación que envían pesos abiertos, la pregunta es qué modelo se adapta a tu implementación.
- Open Weights & License. ¿Puedes descargarlo, ajustarlo y enviarlo comercialmente? MIT y Apache 2.0 son las licencias seguras.
- ¿Se ejecuta en un solo A100? 4090? Una caja de borde? Esto decide tu BOM.
- Fidelidad del lenguaje. ¿Qué tan bien sigue las instrucciones de forma libre frente al colapso de frases de entrenamiento?
- Costo de ajuste fino. ¿Puedes adaptarlo a tu robot en un día o requiere entrenamiento multi-nodo?
- Maturez de producción. ¿Existen recetas LoRA, variantes cuantificadas y una comunidad que los envíos arreglan?
El ranking de 2026
OpenVLA
mejor fundación de peso abierto VLA
7B ParamsMITOpen X-EmbodimentA100-clase GPU
La VLA predeterminada para 2026. Llama-2 7B espina dorsal, visión DINOv2 + SigLIP, tokens de acción discreta, entrenados en 970K Open X-Embodiment trayectorias. Superó RT-2-X en LIBERO con 7× menos parámetros. La comunidad activa envío adaptadores LoRA y variantes cuantizadas. Ver la [OpenVLA modelo página]
Octo
mejor VLA de difusión compacta
27M / 93MMITOpen X-EmbodimentGPU del consumidor
La política de difusión de transformador entrenada desde cero en ~800K trayectorias Open X. Se ejecuta en una sola RTX 4090 a 20
- Pi0 (inteligencia física)
mejor generalista de próxima generación
MultimilionarioPublicado parcialmenteCustom corpus
El generalista insignia de la Inteligencia Física VLA introdujo una cabeza de acción de coincidencia de flujo y un enfoque en tareas hábiles y de largo horizonte.
RT-1-X
mejor base histórica pequeña
~ 35MApache 2.0O abierto X-embodiment GPU único
El reentrenamiento de Open X-Embodiment de RT-1. pequeño, rápido, transversal. Un baseline creíble de peso ligero para los trabajos de investigación. Para las implementaciones de productos, se prefiere Octo
Política de difusión
mejor aprendizaje de imitación para demostraciones multimodal
CNN/transformador espaldaMITDDPM cabeza de acción
La Política de difusión de Columbia es la línea de referencia cuando las demostraciones de expertos son multimodal. Mejora promedio del 46,9% con respecto a los métodos de aprendizaje de imitación anteriores en la publicación. Apto natural para la manipulación rica en contacto y cualquier entorno en el que las estrategias promedio colapsarían el comportamiento. Ver [Política de difusión]
ACT
mejor aprendizaje de imitación para teleop bimanual
Transformador CVAEMITAción de la pieza
El programa de formación de la tecnología de telecomunicaciones (LEB) se desarrolla en un sistema de control de datos de computadoras de alta velocidad (GPU) y de alta velocidad (GPU).
InternVLA-M1
mejor VLA abierto con tierra espacial
Peso abiertoMITGrounding + acción
VLA de dos etapas del Shanghai AI Lab que utiliza la conexión a tierra espacial como representación intermedia antes de la predicción de la acción. Informó 71
SmolVLA
mejor VLA ligero en el ecosistema LeRobot
450MApache 2.0 Cara de acogida
Hugging Face es un VLA compacto lanzado bajo el marco LeRobot. Diseñado para funcionar en computadoras portátiles y robots de grado aficionado, con carga y capacitación de datos integrados a través de las tuberías de LeRobot. Un buen punto de entrada si desea un VLA que se ejecuta sin una GPU de centro de datos. Ver LeRobot.
Resumen lado a lado
| Model | Params | License | Action head | Hardware | Best for |
|---|---|---|---|---|---|
| OpenVLA | 7B | MIT | Discretized tokens | A100/H100 | Language-grounded manipulation |
| Octo | 27M / 93M | MIT | Diffusion | RTX 4090 | Cross-embodiment, high freq |
| pi0 | Multi-B | Partial | Flow matching | Multi-GPU | Dexterous long-horizon |
| RT-1-X | ~35M | Apache 2.0 | Discretized tokens | Single GPU | Small historical baseline |
| Diffusion Policy | Configurable | MIT | DDPM chunks | Single GPU | Multi-modal imitation |
| ACT | Configurable | MIT | CVAE chunks | Single GPU | Bimanual teleop |
| InternVLA-M1 | Open | MIT | Grounded action | A100 | Spatially precise tasks |
| SmolVLA | 450M | Apache 2.0 | Chunked | Laptop GPU | Hobby / edge robots |
Cómo elegir para su despliegue
La respuesta honesta es que la mayoría de los equipos en 2026 ejecutan dos modelos: una base VLA como el frente de la lengua a la tarea, y una estrecha política de aprendizaje de imitación como la cabeza de acción precisa. OpenVLA + Política de difusión, o Octo + ACT, son combinaciones comunes. Para un árbol de decisión basado en el tipo de tarea y hardware, vea nuestra guía sobre cómo elegir un modelo robot.
Si todavía está recopilando datos de teleop, sea socio de nuestros [servicios de datos de teleoperación]
Lo que cambió entre 2024 y 2026
Tres cambios definen el panorama actual de VLA. Primero, ** pesos abiertos alcanzados por pesos cerrados**. En 2023 la conversación fue dominada por RT-2 y otros modelos de DeepMind propietarios. Para 2026, OpenVLA, Octo, pi0 lanzamientos parciales, y InternVLA-M1 juntos cubren la mayoría de las capacidades que un equipo de producción realmente usaría. Los modelos cerrados siguen liderando en la frontera, pero la brecha para los puestos de control abiertos desplegables se ha reducido dramáticamente.
En segundo lugar, los primitivos de imitación-aprendizaje se convirtieron en la columna vertebral del modelo de fundación. La cabeza de acción de la Política de difusión ahora está dentro de Octubre. La estrategia de desmontaje y ensamblaje de ACT es estándar en todo el campo. La división limpia entre "investigación IL" y "despliegue VLA" se ha desdibujado en una pila de capas donde cada nivel toma prestados trucos de la nivel inferior.
En tercer lugar, ** datos se convirtió en el cuello de botella**. Con tantos modelos abiertos capaces, el diferenciador es la calidad y la cobertura de su propio corpus de teleop. Los equipos que invirtieron en la recopilación de datos disciplinados hasta 2025
Modelos notables que deliberadamente omitimos de la lista
Algunos modelos aparecen en cada encuesta, pero no ganaron una ranura de ocho en 2026. RoboFlamingo y BridgeVLA son notorios en la investigación pero más estrechos en el alcance de implementación que las opciones anteriores. RT-2-X no es descargable, por lo que no puede clasificarse en comparación con los modelos que realmente puede usar. Gemini Robotics y otros sucesores de DeepMind están cerrados. Las ofertas de propiedad de varios laboratorios comerciales son interesantes pero te bloquean en puntos finales de nube específicos
Si alguno de estos casos coincide mejor con su caso de uso que nuestro top 8, preferimos que elija el modelo correcto que el clasificado.
Preguntas frecuentes
¿Qué es un modelo de acción en lenguaje de visión (VLA)?
Un modelo de visión-lenguaje-acción (VLA) es una red neuronal que ingere imágenes de la cámara y una instrucción de lenguaje natural y produce acciones robóticas (comandos conjuntos o de efectores finales). OpenVLA, Octo y RT-2-X son los ejemplos canónicos.
¿Con qué modelo VLA debería empezar en 2026?
Para la mayoría de los equipos de código abierto en 2026, OpenVLA (7B, licencia MIT, entrenada en Open X-Embodiment) es el punto de partida predeterminado. Si está implementando en hardware de consumo, Octo-Base (93M) es una alternativa más ligera. Si está haciendo aprendizaje de imitación pura en datos de teleop, comience con ACT para tareas bimanual o Política de difusión para tareas de un solo brazo multimodal.
¿Qué hardware necesito para ejecutar OpenVLA?
OpenVLA en bfloat16 necesita aproximadamente 16 GB de memoria GPU. En la práctica, los equipos se desplegan en un solo A100 (40 o 80 GB), H100 o L40S para inferir en tiempo real a 5
¿Están disponibles los pesos de los modelos RT-X?
RT-1-X pesos se lanzan bajo Apache 2.0 y están en Hugging Face. RT-2-X pesos no se lanzan públicamente y nunca han sido disponibles fuera de Google DeepMind. Por esta razón, la mayoría de las implementaciones prácticas que quieren el comportamiento de clase RT-2 utilizan OpenVLA, que está licenciado por MIT y alojado públicamente.
¿Puedo ajustar un modelo VLA en mis propios datos?
Sí. OpenVLA se envía con LoRA y recetas de ajuste fino completas que adaptan la política a un nuevo robot o tarea en horas en un solo A100. Octo admite ajuste fino completo en una sola GPU de 24 GB. ACT y Política de difusión se entrenan comúnmente desde cero en 50
Lectura relacionada OpenVLA vs Octo → RT-X vs OpenVLA → Política de difusión vs ACT → directorio de modelos VLA → Open X-Embodiment dataset → LIBERO benchmark → [Recolección de datos de la Teleópia →]
Cada VLA aquí puede ser ajustado a sus propias demostraciones.
Recoge demos → Hardware que lo ejecuta → Corre una política →