StarVLA团队发布VLA底座VLAct，仅用16卡完成持续预训练

2026年9月7日，StarVLA团队发布面向VLA（视觉-语言-动作模型）的VLM底座VLAct。该模型的continued pre-training仅使用开源数据和16张GPU，在多项机器人基准测试中验证了其跨任务、跨动作头、跨机器人迁移的能力。

评测结果显示，VLAct在RoboTwin 2.0上Clean设置下成功率达92.5%；在RoboDojo榜单上取得10.66 Score和7.60%的成功率，超过所有明确标注为World Action Model（WAM）的参赛模型。在面向预训练阶段从未见过的GR-1机器人的跨本体实验中，VLAct仅使用20%的RoboCasa-GR1下游数据即达到49.5%的成功率，超过NVIDIA GR00T N1.6和Qwen3VL-OFT的全量数据基线；数据量提升至100%时，成功率进一步达到54.0%。

VLAct的continued pre-training基于Qwen3-VL-4B，训练中保护视觉编码器和较浅的LLM层，并同时挂载OFT、PI、GR00T三种连续动作头共同预测，避免骨干网络被单一动作头带偏。目前，模型权重、Checkpoint、数据处理及训练Pipeline均已开源。