图灵汇报道显示，Hugging Face 发布了一款名为 SmolVLA 的开源机器人模型，参数规模达 4.5 亿。这款模型注重通用性，能在普通设备如 MacBook Pro 上运行，有助于开发者减少开发投入。

当前，许多机器人模型采用“视觉-语言-行动”（Vision-Language-Action，简称 VLA）的设计思路，试图在一个框架内融合感知、语言理解和决策能力，从而实现复杂的自主任务。然而，这类模型的训练成本很高，多数仍是闭源状态，需要昂贵的硬件、大量的工程资源以及大规模的私人数据集。

针对这一问题，Hugging Face 推出了 SmolVLA，一个轻量级且开源的解决方案。它利用公开数据集进行训练，支持在普通硬件上运行，目的是降低机器人研究的门槛，推动相关领域的发展。

据介绍，SmolVLA 在设计上结合了 Transformer 架构和 flow-matching 解码器，并应用了四种关键技术优化。例如，跳过部分视觉层来加快推理速度并缩小模型大小；混合使用自注意力和交叉注意力模块以增强多模态信息处理效率；减少视觉 Token 数量以提高运算效率；选用更简洁的 SmolVLM2 作为视觉编码器以进一步减轻硬件负担。

从训练策略来看，SmolVLA 先通过常规操作数据完成初步学习，然后针对具体任务调整参数，从而增强适用性。尽管其训练数据量相对较少，只有不到三万条任务记录，但 Hugging Face 称其在虚拟环境和现实场景中的表现接近大型模型，并在某些任务上超过了竞争对手。

另外，Hugging Face 提到 SmolVLA 使用了“异步推理架构”，把感知过程（如视觉和语音识别）与实际动作分开处理，这样能让机器人更快应对动态变化的环境，提升实用性。

Hugging Face 强调，用户只需一台 MacBook Pro 或类似的消费级设备就能运行 SmolVLA-450M 模型，而不需要购买专门的 AI 训练设备。同时，用户还可以选择 Hugging Face 提供的经济型机器人平台（如 SO-100、SO-101 和 LeKiwi）来控制成本。

Hugging Face 还分享了几项内部测试结果，表明 SmolVLA 在 LIBERO 和 Meta-World 等模拟平台上优于 Octo 和 OpenVLA 等产品，在实际操作中，比如抓取、放置、堆叠和分类任务里也有出色的表现。

目前，SmolVLA 的基础版本已经上线 Hugging Face 平台，完整的训练资料也在 GitHub 上公开，图灵汇提供了访问链接（https://huggingface.co/lerobot/smolvla_base）。