OpenVLA、Octo、ACT横评：从7B到93M怎么选

给一条自己的机械臂训操作策略，卡住人的往往不是机械臂，是选哪个模型。显存多大、手里有多少条演示、要求多高的控制频率，这三件事一确定，能选的范围其实很窄。目前开源能直接拿到权重和代码的主流方案就三个：OpenVLA、Octo、ACT。这三个都不是新东西，但网上把它们放一起比的帖子，很少把评测口径讲清楚，所以这篇按官方页面的原始参数摊开说。

三个对象先摆清楚

OpenVLA 是 2024 年放出来的 7B 视觉语言动作模型，在 Open X-Embodiment 的 97 万条真机轨迹上训练，权重挂在 HuggingFace。Octo 更早一年，走的是小模型路线，27M 和 93M 两个尺寸，动作输出用扩散，预训练吃了 80 万条轨迹、25 个数据集。ACT 不是模型公司出的产品，是斯坦福和伯克利 ALOHA 项目里的算法，配一套 2 万美元预算的双臂遥操作硬件，主打动作分块。

参数量这一项：OpenVLA 是 7B，Octo 分 27M 和 93M 两个尺寸，ACT 是 CVAE 加 transformer 的轻量结构，规模最小。

动作输出方式：OpenVLA 把动作离散成 token 再解回连续值，Octo 用扩散，ACT 一次预测一整段动作分块。

预训练数据：OpenVLA 吃了 97 万条真机轨迹，Octo 吃了 80 万条、覆盖 25 个数据集，ACT 不做大规模预训练，全靠你自己采的演示。

上手门槛：OpenVLA 官方训练是 64 张 A100 跑 15 天，Octo 单卡可训，ACT 每个任务几十条演示就能起步。

控制频率：OpenVLA 按平台不同是 5Hz 或 15Hz，Octo 按配置走，ACT 直接以 50Hz 预测关节位置。

OpenVLA：7B 换来的语言泛化

它的结构不复杂，把 SigLIP 和 DINOv2 两个视觉编码器的特征融合，接到 Llama 2 7B 主干上，动作先离散成 token，再解码回连续值。训练用 64 张 A100 跑了 15 天，这个数字很说明问题：它不是你笔记本上能重训的东西。

官方给的效果口径是超过 RT-1-X 和 Octo，在多数任务上也超过 55B 的 RT-2-X，而后者是闭源的。真正对玩家有用的是微调那一行：LoRA 只训 1.4% 的参数，效果和全量微调持平。也就是说，你可以只花一张卡的显存把它迁到自己臂上，前提是显存够放下 7B。官方没写部署最低显存要求，这点得自己试，别照别人的配置单抄。

控制频率上，Franka-Tabletop 平台是 5Hz，Franka-DROID 平台是 15Hz。做抓取放置够了，做需要高频修正的精细活儿会吃力。

Octo：小模型的性价比

Octo 的思路反过来，不追大。27M 和 93M 两个尺寸，主干是 transformer，动作头用扩散，好处是对观测和动作空间的组合很宽容，换个相机、换个夹爪不用重写网络。预训练吃了 Open X-Embodiment 里 25 个数据集、80 万条轨迹。

零样本数字是 WidowX 0.50、UR5 0.70、RT-1 Robot 0.80，同样条件下 RT-1-X 是 0.20、0.35、0.60。微调侧，每个任务大约 100 条演示，六个任务平均成功率 0.72，从零开始训只有 0.20。另外官方提到加目标图像做条件，在 WidowX 上能涨 25%。

对个人玩家来说这才是关键：单卡能训，100 条演示的采集量一个周末能干完，权重在 HuggingFace 上直接拉。代价是零样本泛化明显不如大模型，换个完全没见过的场景就得补数据。

ACT：只在你那条臂上，它最省事

ACT 出自 ALOHA，那套硬件用 2 万美元预算做到了穿扎带、抛乒乓球、装 NIST 板这类活儿。算法核心是别一步一步预测，而是一次预测一串动作，把有效预测长度压下来，误差不容易累积。实现上是条件变分自编码器加 transformer，编码器把动作序列压成一个风格变量，推理时直接把编码器丢掉。

数字很实在：直接以 50Hz 预测关节位置，chunk 固定 90 步，一个 episode 大概 600 到 1000 步。每个任务 50 条演示就够，10 分钟量级的数据在开杯、装电池两个任务上做到 80% 到 90%，四个任务的成功率分别是 96%、84%、64%、92%。观测是 4 路 480x640 相机，两台固定、两台装腕部。

它的短板也很直白：没有跨本体预训练，换任务就得重新采数据，泛化全靠你自己那批演示的覆盖面。

怎么选：按手上的设备分三档

只有一张 24G 卡、任务固定、演示数据自己采，走 ACT。它是三个里闭环最快的，几十条演示能看到动作跑起来，调试成本最低。

还是单卡，但想让一个模型管几个任务、几台不同结构的臂，走 Octo。93M 的体量能塞进单卡，微调门槛是一百条演示级别，泛化靠预训练兜着。

有集群或者云算力，任务要求听懂语言指令、换场景不想重训，走 OpenVLA。7B 换来的就是这层语义理解，LoRA 微调把落地成本压下来了，但推理硬件要提前备好。

三个冷静提示

第一，网上的分数不能横着比。π0 的论文在自家 5 个任务上做过一轮对比，Bussing Easy 这一项里 OpenVLA 是 0，Octo 是 0.043，π0 自己是 0.971，OpenVLA 只在 UR5e 数据上微调后拿到 0.343。看着悬殊，但原因在任务：π0 用的是多阶段、要处理可变形物体的任务，OpenVLA 论文的基准多是单阶段动作。口径不一样，别拿一张表给三家排座次。

第二，能微调不等于能预训练。OpenVLA 的 64 张 A100 跑 15 天，Octo 的 80 万条轨迹，这些成本摊到个人身上是不现实的，所以别指望自己从零训一个通用策略，路只有微调。

第三，授权和商用条款自己核。三个项目都把权重和代码放出来了，但能不能商用、改了要不要回馈，我没在这些页面上看到明确结论，动手之前把仓库里的 LICENSE 看一遍，比事后返工便宜。

我的看法是，先用手上那批数据把 ACT 的闭环走通，跑出第一条能稳定成功的策略，再去谈泛化和语言指令。策略这东西，跑不起来的时候谈架构都是空的。