FluxVLA Engine：面向具身智能的一站式 VLA 工程平台
arXiv 发布 FluxVLA Engine（编号 2609.17210v2，替换版），定位为开放、配置驱动的 VLA 工程平台，不提出新的策略模型，而是统一数据集、视觉-语言与世界模型、动作头、奖励/优势加权学习、分布式训练、仿真评测、优化推理和机器人操作端的接口。平台集成可组合双臂仿真、自动数据生成，以及模型解耦的人在环 rollout、接管、纠错采集与奖励标注，并用实时分块（RTC）、加速推理后端、远程 GPU 服务和轨迹后处理支持真机执行。代码已在 GitHub 开源。
发布于 10-23 23:02来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《FluxVLA Engine: A One-Stop VLA Engineering Platform for Embodied Intelligence》查看原链
arXiv:2609.17210v2 公告类型：替换 摘要：视觉-语言-动作（VLA）模型、世界-动作模型（WAM）与离线强化学习方法正在快速扩展具身策略的设计空间，但要把这些算法转化为可靠的机器人系统，仍受制于碎片化的数据格式、训练栈、评测协议、推理运行时以及各具身形态专属接口。
我们提出 FluxVLA Engine，一个开放、配置驱动的平台，将异构的具身策略组件转化为可复现的“从数据到部署”工作流。 FluxVLA 并不引入新的策略模型，而是为数据集、视觉-语言模型与世界模型、动作头、奖励加权或优势加权学习、分布式训练、仿真评测、优化推理以及机器人操作端标准化接口。
该引擎进一步集成了可组合的双臂仿真、可扩展的自动数据生成，以及与模型解耦的人在环 rollout、接管、纠错采集和奖励标注。 为支持低延迟的物理执行，它结合了实时分块（RTC）与加速推理后端、轻量级远程 GPU 服务以及可配置的轨迹后处理。
这些能力通过共享且可审计的接口约定，把离线学习、仿真验证、在线纠错与真机执行连接起来。 因此，FluxVLA 针对的是那些阻碍具身学习算法走向可复现评测与可靠部署的工程瓶颈。 代码见 https://github.com/FluxVLA/FluxVLA