Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

这是一份面向零基础读者的结构化研究笔记。本文只把公开论文文本和 arXiv 元数据能支持的结论写成事实；本站没有本地训练、仿真或真机复现实验，因此不会把论文报告的成功率写成本站 E4 结果。

一句话讲什么（TL;DR）

Green-VLA 的核心不是单纯扩大模型，而是把 VLA 从网页视觉语言基座、机器人预训练、具体身体适配到 RL 对齐，拆成 L0/L1/R0/R1/R2 五个阶段，目标是让同一个策略覆盖单臂、双臂和 Green 人形机器人。

如果只记一个直觉：第 3 批从“模型能不能统一”推进到“模型能不能部署”。真实机器人需要低延迟、少量示范适配、长程稳定和全身协调。

所以这一节是想说：Green-VLA 的价值在于把 VLA 从论文分数推近真实部署约束。

这是个什么场景

如果训练机器人像培养实习生，Green-VLA 不让它第一天就上真实厨房，而是先读通用教材，再学物理世界常识，再看大量机器人示范，然后到某台机器人上实习，最后通过真实反馈纠偏。

第 3 批主线：部署效率与快速适配

训练课程 / 自适应计算 / one-shot 技能 / 快慢系统
          │
          ▼
       Green-VLA
          │
          ▼
让 VLA 更接近真实机器人部署：快、稳、可适配

部署视角

[视觉语言理解] -> [动作生成] -> [真实/仿真执行]
      │              │              │
      ├─ 成本：算力/延迟
      ├─ 适配：新任务/新身体
      └─ 稳定：长程/异常/实时控制

这个场景强调工程约束。一个模型在离线 benchmark 上成功，不代表它能以足够频率控制真实机器人；能在一个任务上成功，也不代表换环境后一条示范就能适配。

所以这一节是想说：读 Green-VLA 要把成功率和部署条件一起看。

之前的人怎么做的，为什么不够好

行为克隆在长程、接触丰富和高自由度任务上容易饱和；单纯堆数据也无法解决动作空间不统一、数据质量不均和真机部署效率问题。VLA 还需要兼顾成功率、动作链长度和完成时间。

过去很多 VLA 论文默认强 backbone 每步完整运行，或者默认新任务可以靠再次 fine-tune 解决。但真实部署里，等待大模型推理会降低控制频率，收集几十条示范也可能太贵，长程任务一旦早期失败后续步骤就不可达。第 3 批论文分别从训练课程、推理压缩、无梯度适配和异步控制四个方向补这些缺口。

所以这一节是想说：旧方法的问题不是能力完全不够，而是部署成本、适配成本和实时性不够。

这篇论文的新想法

论文提出五阶段 curriculum：L0 base VLM、L1 web pretrain for physical understanding、R0 general robotics pretrain、R1 embodiment-specific adaptation、R2 RL-based policy alignment，并用统一 action space、DataQA 质量过滤和 task planner 支撑真机部署。

这类新意的核心是把约束显式建模。与其希望模型自己学会省算力、自己学会迁移、自己学会快慢分工，不如给它可学习的结构和评测指标。

所以这一节是想说：Green-VLA 的新意是把部署约束变成训练或推理机制的一部分。

它分几步做的（方法）

第 1 步

输入：L1 用网页/多模态数据补物理世界理解；R0 混合 24M+ 非机器人样本和 3,000 小时机器人示范；DataQA 用轨迹平滑、图像清晰度、视觉多样性和状态方差过滤数据。

处理：这一环都在回答部署问题：模型不只是要看懂，还要能在真实频率、有限数据和新任务环境下稳定输出动作。第 3 批论文的共同点，是把“能跑”放到和“能懂”一样重要的位置。

输出：得到更高效、更可适配或更稳定的 VLA 行为。类比成开车：导航负责路线，司机负责实时控制，车辆状态决定什么时候该省油、什么时候该全力响应。

第 2 步

输入：统一动作空间把不同机器人控制映射到固定语义布局，并通过频率插值/外推、control-type prompt 和 retargeting 处理人形和非人形数据。

处理：这一环都在回答部署问题：模型不只是要看懂，还要能在真实频率、有限数据和新任务环境下稳定输出动作。第 3 批论文的共同点，是把“能跑”放到和“能懂”一样重要的位置。

输出：得到更高效、更可适配或更稳定的 VLA 行为。类比成开车：导航负责路线，司机负责实时控制，车辆状态决定什么时候该省油、什么时候该全力响应。

第 3 步

输入：R1 针对目标 embodiment 微调，R2 用 RL alignment 处理长程目标、失败恢复、偏好反馈和动作效率。

处理：这一环都在回答部署问题：模型不只是要看懂，还要能在真实频率、有限数据和新任务环境下稳定输出动作。第 3 批论文的共同点，是把“能跑”放到和“能懂”一样重要的位置。

输出：得到更高效、更可适配或更稳定的 VLA 行为。类比成开车：导航负责路线，司机负责实时控制，车辆状态决定什么时候该省油、什么时候该全力响应。

第 4 步

输入：推理时高层 task planner 把用户目标拆成子任务，Green-VLA 输出动作并用 episode-end、OOD 和目标点引导信号控制执行。

处理：这一环都在回答部署问题：模型不只是要看懂，还要能在真实频率、有限数据和新任务环境下稳定输出动作。第 3 批论文的共同点，是把“能跑”放到和“能懂”一样重要的位置。

输出：得到更高效、更可适配或更稳定的 VLA 行为。类比成开车：导航负责路线，司机负责实时控制，车辆状态决定什么时候该省油、什么时候该全力响应。

方法部分要按“哪个部署瓶颈 -> 哪个机制 -> 哪个实验数字”来读。否则容易把这些论文误解成普通模型堆料。

所以这一节是想说：方法的关键是看 Green-VLA 把哪类部署瓶颈交给了哪个机制处理。

关键数字（What works）

事实	数字 / 状态	来源与证据边界
训练阶段	L0/L1/R0/R1/R2 五阶段	摘要与方法
机器人数据	约 3,000 小时 demonstrations	摘要/实验
非机器人数据	over 24M multimodal samples	方法
Green humanoid	32 DoF upper body	Introduction
模型规模	约 4B；PaliGemma 3B backbone	实验设置
训练算力	R0 使用 48 H100，超过 105 optimization steps	实验设置
Green humanoid 数据	48 小时扩展为 167 小时有效数据	数据章节
ALOHA table cleaning	Green-VLA(R0) first item SR 69.5，avg time 1m35s	Table 2
π0 对照	π0 first item SR 35.6，avg time 2m59s	Table 2
AgiBot GO-1 对照	first item SR 38.4，avg time 3m57s	Table 2

这些数字都是论文报告结果，不是本站本地复现。本站当前只完成公开来源研究、站点构建、provenance 与部署验证。

所以这一节是想说：关键数字帮我们判断方法是否支撑主张，但不能替代本地实验。

实验结果说明了什么

最直观的结果是 ALOHA table-cleaning：Green-VLA(R0) 在 Tape/Screwdrivers/Pliers 上分别达到 83.1/52.1/63.7，first item SR 69.5，平均完成时间 1m35s；π0 的 first item SR 为 35.6，平均 2m59s。论文还强调 R2 对长程成功率、恢复和精确任务跟随有增益。

实验要同时看成功率和部署条件：比如同样 90% 成功率，12Hz 和 32Hz 的控制体验完全不同；同样 100% 成功率，一条示范和一百条示范的适配成本也完全不同。

所以这一节是想说：实验说明 Green-VLA 在特定部署瓶颈上有效，但证据边界仍是论文设置。

你应该懂的几个新词

• Staged training：分阶段训练，每一阶段解决不同瓶颈。
• Adaptive computation：按输入或动作上下文动态决定计算量。
• One-shot adaptation：只用一条示范适配新任务。
• Fast-slow system：慢系统做语义推理，快系统做实时控制。
• Action tokenizer：把连续动作压成 token 或离散表示，方便模型生成。
• Flow matching / diffusion policy：把噪声动作逐渐变成可执行动作的连续生成方法。

所以这一节是想说：这些词都围绕部署：更快、更稳、更省数据。

它有什么搞不定的

• Green-VLA 仍以 Green humanoid 为主要目标平台，跨更多人形机器人还需验证。
• R2 RL alignment 更接近在线/真机反馈流程，成本和安全门槛高。
• DataQA 过滤能提升质量，但也可能过滤掉长尾困难样本。
• 论文报告的是作者系统结果，本站未复现训练或真机部署。

这些局限提醒我们：VLA 走向真实机器人，不是一个模型名字能解决，而是数据、推理、控制、硬件和安全共同构成的系统工程。

所以这一节是想说：Green-VLA 推进了一个部署维度，但没有消除真实机器人的全部风险。

它和别的几篇是什么关系

• 它和 Qwen-VLA 都追求 generalist VLA，但 Green-VLA 更强调 staged deployment curriculum。
• 它和 X-VLA / HiMoE-VLA 都处理多 embodiment 数据，只是 Green-VLA 更关注真机部署流程。
• 它和 LeRobot / RealMirror 都是从读论文走向工程流水线的重要参考。

第 3 批最好和前两批连读：第 1 批看统一与动作解码，第 2 批看跨 embodiment，第 3 批看部署效率和快速适配。

所以这一节是想说：Green-VLA 是 40 篇扩展里“从研究模型走向部署系统”的一环。

和本导读的关系

本篇对应导读中的 Ch04: 技术版图、Ch12: VLA、Ch17: Sim-to-Real。读它之前，建议先理解 OpenVLA、π0、Qwen-VLA、X-VLA 的基本路线。

对 40 篇扩展计划来说，Green-VLA 属于第 3 批，负责补“部署效率 / 快速适配 / 真机全身控制”这条线。

所以这一节是想说：这篇笔记把 VLA 学习从模型结构推进到部署约束。

思考题

Q1：这篇论文解决的是速度、适配、长程还是真机部署？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

Q2：它的核心组件去掉后，成功率或速度掉了多少？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

Q3：它需要多少额外数据才能适配新任务？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

Q4：它和第 1/2 批论文的最大差异是什么？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

Q5：如果你要复现，哪个 benchmark 最小？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

Q6：哪些数字不能写成本站复现实验？

提示

先找方法和实验表格的直接对应关系，不要只看最高分。

一些好奇心问答（FAQ）

Q：为什么第 3 批不只看成功率？

因为部署还看速度、数据成本、控制频率和异常恢复。成功率相同的系统，实时性可能完全不同。

Q：这些方法能替代安全层吗？

不能。它们提升模型部署能力，但真实机器人仍需要速度、力矩、碰撞和人工接管等安全机制。

Q：为什么还保持 UNVERIFIED？

因为本站没有逐节人工核验和本地复现实验。公开论文事实和本站实验结果是两种证据等级。

如果你想再深入

1. 先复习 OpenVLA、π0、Qwen-VLA。
2. 比较 AC²-VLA 和 DuoCore-FS：一个省计算，一个拆频率。
3. 比较 MoS-VLA 和 X-VLA：一个无梯度一示范，一个 soft prompt 适配。
4. 看 Green-VLA 时重点关注五阶段训练和 RL 对齐。

补充：怎么把这篇读成工程路线图

读 Green-VLA 时，不要把五阶段训练当成一个好看的流程图，而要把它看成五个不同风险的缓冲区。L0 解决“模型有没有基础视觉语言能力”，L1 解决“它懂不懂物理世界里的对象和空间”，R0 解决“它有没有看过足够多机器人动作”，R1 解决“这具身体的动作接口怎么解释”，R2 解决“真实执行时怎样从失败和奖励里继续改”。如果把这些阶段合并成一次大训练，问题会很难定位：失败时不知道是语义没懂、动作没对齐，还是目标奖励没优化。

这也是它和很多单篇模型论文的区别。单篇模型通常问“这个架构比那个架构强吗”，Green-VLA 更像在问“一个机器人基础模型从通用视觉语言能力走到真实人形机器人部署，需要经过哪些闸门”。这个问题对后续实践很重要，因为 Task 2 或任何真机/仿真实验最终都会撞上类似路线：先有数据，再有动作空间，再有具体环境，最后才谈闭环优化。

复现角度也要分层。最小复现不是直接复刻 3,000 小时数据和 48 H100，而是先复现一个阶段里的一个小判断：例如比较有无 action unification 的数据格式，或比较 episode-end prediction 是否减少任务完成后的无意义动作。只有这些小判断能跑通，才值得往完整 pipeline 扩展。

另一个容易误读的点是“人形机器人”。看到 Green humanoid，很容易以为论文主要贡献是人形硬件展示；其实更核心的是统一训练和统一动作接口。如果只换成人形机器人，但每个 embodiment 仍要单独写动作头、单独筛数据、单独调 planner，那么它并没有解决 foundation policy 的复用问题。Green-VLA 真正想证明的是：机器人身体可以不同，但训练阶段、动作语义和质量过滤可以共享。

如果以后要把这篇接到自己的实验计划里，最合适的落点不是立刻做 RL，而是先把“数据质量”作为一个独立课题。比如给一批遥操作轨迹打上平滑度、模糊度、状态方差等标签，再观察过滤前后 imitation policy 是否更稳定。这样能用小成本验证论文思想，而不用复刻完整人形机器人栈。

一个可执行练习是：拿本站已有的 LeRobot / SmolVLA 路线做一个玩具版五阶段表。L0 写成“已有 VLM 或 VLA 权重”，L1 写成“额外视觉语言数据或空间问答”，R0 写成“公开机器人轨迹”，R1 写成“目标仿真环境微调”，R2 写成“奖励或失败纠正”。这个表不需要马上跑实验，但能帮你把 Green-VLA 的大规模路线压缩成自己能理解、能逐步替换的本地路线图。

所以这一节是想说：Green-VLA 最值得借鉴的是分阶段风险管理，而不是照抄它的大规模训练成本。

后续核验清单

如果之后要把本文从 UNVERIFIED 提升到人工核验状态，应逐项检查：五阶段训练定义是否和论文一致，3,000 小时示范和 24M 多模态样本的口径是否来自同一版本，ALOHA table-cleaning 的指标是否只用于 R0 阶段，Green humanoid 的 32 DoF 描述是否包含头、躯干、双臂和灵巧手，R2 的 RL alignment 是否有可复现实验脚本或仅为论文报告。任何一项没有原文依据，都不能写成本站事实。

原文信息

• arXiv: 2602.00919
• 本站状态：公开来源研究；未做本地训练、仿真或真机复现；human verification 仍应保持 UNVERIFIED，直到逐节人工核验完成。

@misc{green_vla_2026,
  title = {Green-VLA: Staged Vision-Language-Action Model for Generalist Robots},
  year = {2026},
  eprint = {2602.00919},
  archivePrefix = {arXiv},
  primaryClass = {cs.RO},
  note = {Read through Embodied AI: Zero to One},
  url = {https://arxiv.org/abs/2602.00919}
}

◼

@online{eai_green_vla_2026,
  title       = {(readable note) Green-VLA: Staged Vision-Language-Action Model for Generalist Robots},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2026 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/green-vla/}},
  organization = {Embodied AI: Zero to One}
}