SmolVLA：社区数据训练的高效视觉-语言-动作模型

Hugging Face 发布 SmolVLA，一个基于社区数据训练的视觉-语言-动作（VLA）模型，旨在实现高效的机器人操控。该模型通过大规模社区数据集训练，在多个基准测试中表现出色，同时保持较小的模型尺寸和快速推理速度。SmolVLA 展示了社区协作在机器人学习中的潜力，为低成本、可复现的机器人智能提供了新方案。