OpenVLA-OFT

给"完全没接触过 AI / 机器人"的读者写的精读笔记。所有专业词第一次出现都会解释清楚，只看这份笔记就能理解全文机制。本笔记基于 arXiv 摘要与公开正文信息精读。

一句话讲什么（TL;DR）

原版机器人大模型 OpenVLA 输出动作时像"一个字一个字念口令"——慢、抖、长任务掉链子。OpenVLA-OFT 把微调这件事拆成三个可以各自打开的开关——并行解码（一口气说完）、动作分块（一段段说）、连续动作表征（说准确的小数），再配一个极简的 L1 回归目标，把 LIBERO 仿真基准的平均成功率从 76.5% 拉到 97.1%，动作吞吐量提高 26 倍，还能在双臂 ALOHA 上做高频灵巧操作，超过 π0、RDT-1B 以及从零训练的 Diffusion Policy / ACT。

所以这一节是想说：OFT 不是一个新模型架构，而是一套"怎么微调 VLA 才最优"的配方（recipe），把速度和成功率同时拉满。

---

这是个什么场景

想象你请了个学徒帮你叠衣服。你说"把那件 T 恤叠好放进抽屉"，他得三件事一起做：眼睛看到 T 恤、耳朵听懂你的话、然后手动起来。这就是 **VLA（Vision-Language-Action，视觉-语言-动作模型）**想干的事——看图 + 听指令 + 直接输出机器人动作。

但前作 OpenVLA 这个学徒有个怪毛病：他动手前要一个字一个字念出动作口令——"肩—抬—一—档，肘—弯—两—档……"念完一句才动一下。而且口令只有 256 个刻度可选（像只有 256 格的颜料盒），调不出更细的颜色，叠出来的衣服边角一抖一抖。更糟的是，遇到需要每秒几十次决策的高频动作（比如双手协调塞衣角），这种"念口令"的速度根本跟不上。

OpenVLA-OFT 想让这个学徒改三个习惯：

• 别念了，心里一次想好整句直接动手（并行解码）；
• 别一步一停，一口气想好接下来一整段动作再去做（动作分块）；
• 别拿 256 格色板凑色，直接说出准确的连续小数（连续动作表征）。

三个习惯合起来，就是这篇论文的核心。它面对的痛点很具体：现有 VLA 换到一台新机器人上必须微调，但"怎么微调"没人系统研究过，大家各调各的。

所以这一节是想说：OFT 面向的是"我有一台新机器人、想把现成 VLA 微调到它上面、还要跑得快"的工程场景，答案是一份被消融验证过的配方。

---

之前的人怎么做的，为什么不够好

在 OFT 之前，让 VLA 输出动作的路线各占了"大模型 / 分块 / 连续动作"三条边的一两条，但没人把三者拆开、一个个做对照实验：

• OpenVLA（2024）：7B Llama 接上双视觉编码器（DINOv2 + SigLIP），把动作离散化成 256 个 bin，按 token 自回归吐出。能跑，但慢、动作糙、长时序（long-horizon）任务掉点。它是本文的基座（base model）。
• RT-2 / RT-1（Google）：同样把"动作"当成语言的一部分，用离散 token 逐步生成。单臂为主，高频灵巧操作受限。
• Diffusion Policy / 3D Diffusion Policy：用扩散模型（diffusion）一次性画出一段连续动作块，动作丝滑，但通常没有大语言模型主干，语义泛化弱。
• ACT（Action Chunking Transformer）：最早系统化"一次预测一段动作"的分块思路，但规模和泛化不如 VLA 路线。

自回归解码（autoregressive decoding）：像写字一样一个 token 接一个 token 生成，每个 token 都要看前面所有 token。表达力强但慢。

离散化动作 token：把每一维连续动作切成 N 个档位（OpenVLA 用 256），用类似"生僻字"的 token 表达。精度受档位数限制。

共同的空白：这些工作要么绑死一套设计，要么只改一条边，没人把"解码方式 / 动作粒度 / 动作表征"三个维度解耦，逐一测量各自的贡献。于是"想微调 VLA 的人到底该开哪些开关"始终是玄学。

所以这一节是想说：前人各调各的，缺一份"拆开三个旋钮、逐一消融"的系统研究，OFT 就是来填这个空的。

---

这篇论文的新想法

核心思路一句话：把 VLA 微调看成一个有三个独立旋钮的控制台，每个旋钮可以单独翻转、互不绑定，然后做对照实验找出最优组合。

三个旋钮分别是：

1. 解码方式：自回归（一个个吐） vs 并行（一次前向同时吐出整个动作向量 / 整段 chunk）；
2. 动作粒度：单步（只预测下一步） vs 分块（一次预测未来 H 步）；
3. 动作表征：离散 token（256 bin） vs 连续（L1 回归实数 / 扩散头）。

类比：以前大家买"套餐"——要么全离散自回归单步，要么全连续扩散分块，从不拆开点菜。OFT 的贡献是把套餐拆成三道单点菜，逐一尝出哪道菜贡献最大，最后发现"三个旋钮全开（并行 + 分块 + 连续）+ 一个极简 L1 回归目标"的组合，在推理延迟、轨迹平滑度、成功率上全面碾压原版。

关键的反直觉点：**动作表征不必用复杂的扩散头，简单的 L1 回归就够好，而且更快更稳。**这让整套配方极易复现。

所以这一节是想说：OFT 的新想法不是发明新结构，而是"解耦 + 消融"的研究方法论，最终得到一份可直接抄的最优微调配方。

---

它分几步做的（方法）

整套 OFT 配方可以拆成四个可独立翻转的设计决定。我们逐个讲清楚"输入 → 处理 → 输出"。

1. 换"嘴巴"，不换"脑子"（复用 OpenVLA 主干）

类比：给厨师换一把更趁手的刀，但菜谱知识（对食材的理解）全部保留。

输入：一张（或多张）RGB 图 + 一句语言指令。

处理：完整复用 OpenVLA 的视觉-语言主干——Llama 系语言模型 + DINOv2 / SigLIP 双视觉编码器。这部分负责"看懂 + 听懂"，权重直接继承预训练成果，不推倒重来。只把**负责输出动作的"动作头"**换掉。原版动作头把每维动作切成 256 档、按 token 顺序一个个吐；OFT 把它替换成"并行 + 连续"的新头。

输出：一个仍然会看图听话、但输出方式被改造的 VLA。

动作头（action head）：模型最后负责把"内部理解"翻译成"具体动作数值"的那一层。OFT 的所有改动几乎都集中在这里。

所以这一节是想说：OFT 站在 OpenVLA 肩膀上，只动最后的输出环节，保留昂贵的视觉-语言预训练能力。

---

2. 并行解码：别再排队了（Parallel Decoding）

类比：翻译"我饿了"这三个字，其实可以同时翻成 "I am hungry"，没必要等"我"翻完再翻"饿"。机器人 7 个关节在同一瞬间是一起动的，动作各维之间并没有真正的先后因果。

输入：视觉-语言主干处理后的隐藏表示（hidden states）。

处理：原版自回归解码要求"生成第 k 个 token 时必须看到前 k-1 个 token"（这个限制叫 因果掩码 causal mask）。OFT 把动作部分的因果掩码拆掉，让模型在一次前向传播（one forward pass）里同时输出所有动作维度。推理步数从"与动作维度 × chunk 长度成正比"降到常数级——这正是 26 倍吞吐量提升的主要来源。

输出：整个动作向量（或整段 chunk）一次性生成，不再逐 token 排队。

并行解码 / 非自回归（non-autoregressive）：一次前向同时输出多个 token，舍弃 token 间的顺序依赖来换速度。自然语言里的非自回归翻译是同源思路。

所以这一节是想说：动作各维本无先后关系，强行自回归是浪费；并行解码一步到位，是速度提升的第一大功臣。

---

3. 动作分块：一次想好一整段（Action Chunking）

类比：下棋时一次想清楚接下来 5 步，而不是每落一子都从头重算。

输入：当前观察（图 + 指令 + 可选的本体状态）。

处理：让模型一次输出未来 H 步动作（一个 action chunk），机器人执行完这一整段再回头问模型。好处有二：(1) 少问几次 → 推理开销摊薄；(2) 长任务（叠衣服、整理桌面）里累积漂移（drift）更小，因为决策次数变少、误差不容易一步步滚雪球。代价是环境突变时反应会慢一拍——靠调整 H 的大小在"平滑"与"反应速度"之间平衡。

输出：一段连续的多步动作序列，配合并行解码一次性生成。

动作分块（action chunking）：一次预测未来 H 步而非只预测下一步。ACT 论文最早系统化，能显著减少高频抖动。

所以这一节是想说：分块把"高频决策"变成"低频规划一段再执行"，既省算力又稳住长任务。

---

4. 连续动作表征 + L1 回归目标（Continuous Action + L1）

类比：从只有 256 格的色板，换成能调任意小数的调色盘。想画淡蓝，不用再选最接近的那格。

输入：主干的隐藏表示。

处理：抛弃 256 档离散 token，让动作头直接回归连续实数。训练目标用最简单的 L1 回归（预测值与真值的绝对误差 |ŷ − y|），而不是复杂的扩散去噪目标。论文的消融发现：L1 回归在成功率上不输扩散头，却训练更简单、推理更快、更稳定。轨迹立刻从"一格一格阶梯状"变得丝滑。

输出：精确的连续动作数值，且训练/推理都极简。

L1 回归（L1 regression）：以预测值和真值的绝对差为损失。相比 L2（平方差）对离群点更鲁棒，相比扩散头简单得多。

四个旋钮的整体数据流（ASCII）：

   图像 + 语言指令
        │
        ▼
 ┌──────────────────────┐
 │  OpenVLA 视觉-语言主干  │  ← 复用（DINOv2+SigLIP + Llama）
 │  DINOv2 / SigLIP → Llama│
 └──────────┬───────────┘
            │ hidden states
            ▼
 ┌──────────────────────┐
 │   OFT 动作头（改造点）    │
 │  · 并行解码：一步出全部   │
 │  · 分块：一次出未来 H 步  │
 │  · 连续表征 + L1 回归    │
 └──────────┬───────────┘
            ▼
   [a_t, a_{t+1}, ..., a_{t+H-1}]  连续动作 chunk（一次性）

为什么三个旋钮要一起开？——论文的消融显示它们不打架、反而互补：并行解码提供速度，分块提供长时序稳定性，连续表征提供精度。三个都开 ≫ 单开任意一个 ≫ 原版 OpenVLA。

所以这一节是想说：Method 的精髓是"三个正交旋钮 + 一个极简 L1 目标"，缺哪个都不是最优，全开才既快又准。

---

关键数字（What works）

所有数字来自论文摘要与公开正文，未报告的一律标注"原文未报告"。

LIBERO 仿真基准（4 个任务套件平均成功率）：

指标	OpenVLA（原版）	OpenVLA-OFT
LIBERO 平均成功率（4 套件）	76.5%	97.1%
动作生成吞吐量	基线 1×	26×

真机双臂 ALOHA（相对其他方法）：

对比对象	差距（平均成功率，绝对值）
π0（用其默认配方微调）	OFT 最高领先 15%
RDT-1B（用其默认配方微调）	OFT 领先（含在"最高 15%"内）
Diffusion Policy（从零训练）	OFT 领先（含在"最高 15%"内）
ACT（从零训练）	OFT 领先（含在"最高 15%"内）

三个旋钮的定位：

旋钮	原版做法	OFT 做法	主要收益
解码方式	自回归逐 token	并行一次出	速度（26× 的主因）
动作粒度	单步	分块 H 步	长时序稳定性
动作表征	256 离散 bin	连续 + L1 回归	精度 + 平滑 + 易复现

最有冲击力的三点：

1. 成功率 +20.6 个百分点（76.5% → 97.1%）：同一个基座 OpenVLA，只改微调配方，LIBERO 就逼近满分。证明"配方"本身就是巨大的性能杠杆。
2. 吞吐量 26 倍：并行解码 + 分块把"逐 token 排队"的开销几乎抹平，使 VLA 第一次能胜任双臂高频灵巧控制。
3. L1 打平扩散头：不需要复杂的扩散去噪，简单 L1 回归即可，配方极易被别人抄走复现。

所以这一节是想说：一份好配方能把成功率拉 20 个点、速度提 26 倍，且用最简单的 L1 目标——工程价值远超"再堆一个新结构"。

---

实验结果说明了什么

从数字里能提炼几条核心结论：

**结论 1：微调配方是被严重低估的性能杠杆。**同一个 OpenVLA 基座，不换架构、不加参数，仅优化"怎么微调"，LIBERO 平均成功率就从 76.5% 涨到 97.1%。这说明社区之前在"怎么把 VLA 微调到新机器人"上留了大量性能没吃到。

**结论 2：动作各维之间的自回归依赖是多余的。**并行解码不但没伤成功率，反而配合分块把吞吐量拉到 26 倍。这印证了"机器人多维动作是同时发生的、不该逐 token 排队"的直觉。

**结论 3：简单胜过复杂。**L1 回归打平了扩散头，却更快更稳更易复现。这对工程落地是极好的消息——不需要为动作生成引入一整套扩散训练/采样机制。

**结论 4：配方可迁移到高频灵巧任务。**在双臂 ALOHA 上，OFT 微调的 OpenVLA 超过了专门为高频设计的 π0、RDT-1B，以及从零训练的 Diffusion Policy / ACT，最高领先 15%。说明这套配方不是只在仿真里刷分，真机高频控制同样成立。

**结论 5：解耦研究法本身有示范价值。**把复杂系统拆成可独立翻转的旋钮再逐一消融，让"哪个设计贡献多少"第一次有了清晰答案，也让后来者知道该开哪些开关。

所以这一节是想说：核心 takeaway 是"配方 > 新结构、并行 > 自回归、简单 L1 > 复杂扩散"，以及解耦消融这套方法论的价值。

---

你应该懂的几个新词

VLA（Vision-Language-Action）：把"看图 + 听语言指令 + 输出机器人动作"塞进同一个大模型的范式。代表作 RT-2、OpenVLA。

自回归解码 vs 并行解码：前者一个 token 接一个 token 生成（慢、有顺序依赖）；后者一次前向同时输出多个维度（快、舍弃顺序依赖）。

动作分块（action chunking）：一次预测未来 H 步动作，减少决策次数和累积漂移。

离散动作 token vs 连续动作：前者把每维动作切成 N 个 bin（如 256）用 token 表达；后者直接回归实数或用扩散生成连续向量。

L1 回归：以预测值与真值的绝对差为损失，简单、鲁棒，OFT 用它取代扩散头。

LIBERO：VLA / 机器人操作领域常用的仿真基准，含 Spatial / Object / Goal / Long 四个子任务套件。

因果掩码（causal mask）：限制模型"只能看前面 token"的注意力机制。OFT 在动作部分拆掉它以实现并行解码。

所以这一节是想说：掌握"自回归 vs 并行""离散 vs 连续""分块"这三对概念，就抓住了 OFT 全部要点。

---

它有什么搞不定的

1. 反应滞后风险：动作分块一次执行 H 步，环境突然变化（物体被碰倒、人手伸进来）时，模型要等这一段执行完才重新决策，反应比单步慢一拍。H 越大越明显。
2. 并行解码丢弃维度间依赖：极少数任务里，动作各维可能确实存在强耦合先后关系，一次性并行输出理论上会损失这种依赖建模能力（论文以成功率证明多数场景无碍，但非绝对）。
3. 仍需针对新机器人微调：OFT 是"微调配方"，不是"零样本即插即用"。换一台新机器人依然要收集演示数据做微调。
4. 依赖 OpenVLA 基座的固有局限：视觉-语言主干继承自 OpenVLA，其对透明 / 反光 / 环状物体的视觉盲区、语义泛化的弱点等，OFT 并未专门修复。
5. 具体超参需读原文：学习率、LoRA 还是全参微调、H 的取值、数据规模等细节，摘要未全部给出，复现前需查正文与开源代码。
6. L1 的多模态表达力：L1 回归本质是回归到一个点，对"同一情况有多种合理动作"（多模态动作分布）的建模不如扩散头天然。论文中 L1 够用，但在强多模态任务上是否始终最优仍值得关注。

所以这一节是想说：OFT 的主要代价是"分块换来的反应滞后"和"并行/L1 对维度依赖与多模态的简化"，且它解决的是微调而非零样本部署。

---

它和别的几篇是什么关系

家族树（ASCII）：

              RT-2（动作当 token 的范式起点）
                     │
                OpenVLA（7B 开源，离散自回归单步）  ← OFT 的基座
                     │  改微调配方（三旋钮全开 + L1）
                     ▼
              OpenVLA-OFT（并行 + 分块 + 连续）
        ┌────────────┼────────────┐
        │ 借鉴        │ 对比        │ 竞争
     ACT（分块）  Diffusion Policy   π0 / RDT-1B
                 （连续+扩散头）   （连续动作 VLA）

• 上游 / 基座：OpenVLA（前作，本文主干）、RT-2（VLA 范式起点）。
• 被借鉴的思路：ACT（动作分块）、Diffusion Policy（连续动作 + 扩散头）、非自回归翻译（并行解码）。
• 平行竞品：π0（flow matching 连续动作）、RDT-1B（扩散 + 双臂基模）、Octo、CogACT——各自在数据、架构、动作表征上做不同优化。OFT 在双臂 ALOHA 上直接把 π0、RDT-1B 当对照组并胜出。
• 下游影响：2025 年下半年起，很多 VLA 论文默认用"分块 + 连续动作"做基线，OFT 已成为 LIBERO 榜单上的常见强基线（strong baseline）。

与 OpenVLA 的对比：

维度	OpenVLA	OpenVLA-OFT
解码	自回归逐 token	并行一次出
动作粒度	单步	分块 H 步
动作表征	256 离散 bin	连续 + L1
LIBERO 平均	76.5%	97.1%
吞吐量	1×	26×
高频双臂	吃力	胜任

所以这一节是想说：OFT = OpenVLA 基座 + ACT 的分块 + Diffusion Policy 式连续动作 + 非自回归并行解码，缝成一份最优微调配方。

---

和本导读的关系

本篇对应 Ch12: 开源 VLA——OpenVLA / VLAs 综述 / MLA。

Ch12 讲"VLA 范式有哪些变体"，OpenVLA 是其中 autoregressive token-based VLA 的标杆。OpenVLA-OFT 正是对这个标杆做"输出端手术"的续作：保留 OpenVLA 的看/听能力，把"动"的方式换成并行 + 分块 + 连续。读完 OpenVLA 理解"离散自回归 VLA 长什么样"，再读 OFT 就能看到"同一个基座如何通过配方进化成又快又准的版本"，并顺势对照 Ch13 扩散策略线的 π0 / RDT-1B。

所以这一节是想说：OFT 是 Ch12 里 OpenVLA 词条的"实操升级版"，也是通往 Ch13 连续动作路线的桥。

---

思考题

Q1：并行解码舍弃了动作各维之间的顺序依赖，为什么在机器人上几乎不掉成功率，但在自然语言翻译里非自回归往往会掉质量？

提示

关键在"输出各元素之间是否有强顺序依赖"。语言里"下一个词"高度依赖前面的词（语法、语义连贯），非自回归容易生成重复/不通顺。机器人一个时刻的 7 维动作是同一瞬间物理上同时发生的，各维之间并没有"先动肩再动肘"的语言式因果，所以并行输出损失很小。这也解释了为什么同一个 trick 在两个领域收益不同。

Q2：OFT 用 L1 回归打平了扩散头。什么样的任务下，扩散头可能反而比 L1 更好？

提示

想"多模态动作分布"：同一个观察下有多种同样合理的动作（比如绕左边或绕右边避障）。L1 回归会回归到这些模式的"平均"，可能得到一个既不像左也不像右的无效动作；扩散头能从多模态分布里采样出其中一种。所以强多模态、需要多样性的任务里扩散头理论上更有优势。LIBERO / ALOHA 上 L1 够用，说明这些任务的多模态性没强到让 L1 崩掉。

Q3：动作分块的 H（一次预测多少步）该怎么选？调大和调小各有什么后果？

提示

H 大：决策次数少、推理开销摊薄、长任务累积漂移小，但环境突变时反应慢（要等一整段执行完）。H 小：反应快、更接近闭环，但决策频繁、开销大、长任务误差易累积。最优 H 取决于任务的"动态程度"——静态桌面操作可用大 H，人机交互/易扰动场景要用小 H。这本质是"开环执行长度 vs 闭环反应速度"的权衡。

Q4：如果不改 OpenVLA 的任何输出方式，只是单纯延长训练/加数据，能达到 97.1% 吗？为什么论文要强调"配方"而不是"训练更久"？

提示

论文的核心论点是三个旋钮带来的是"结构性"收益：并行解码把吞吐提 26 倍（延长训练做不到）、分块降低累积漂移（数据多也难根治单步自回归的漂移）、连续表征突破 256 档的精度天花板（离散表征无论训多久都卡在量化误差上）。所以这些是训练时长/数据量无法替代的收益，必须从输出方式本身改。

Q5：OFT 在双臂 ALOHA 上超过了专门为高频设计的 π0。既然架构基座是 OpenVLA（原本高频吃力），为什么改了配方就能追上专用设计？

提示

OpenVLA 高频吃力的根因不是"脑子笨"，而是"嘴巴慢"——逐 token 自回归 + 256 离散 bin 导致每次决策又慢又糙。并行解码解决"慢"，连续表征解决"糙"，分块让它一次规划一整段高频动作。也就是说 π0 的优势很大程度来自它的连续 flow chunk 动作头，而 OFT 把等价的"连续 + 分块 + 并行"能力补给了 OpenVLA，于是基座的强视觉-语言能力得以在高频场景释放。

Q6：从研究方法角度，"把系统拆成正交旋钮逐一消融"有什么风险？三个旋钮真的完全正交吗？

提示

风险在于旋钮之间可能存在交互效应（interaction）：单独开 A 无用、单独开 B 无用，但 A+B 一起才有用；或者 A 的最优设置依赖 B 的取值。严格的消融需要测所有组合（2×2×2）而不只是"逐一翻转"。论文的结论"全开最好"暗示存在正向交互（互补），所以单看每个旋钮的边际贡献可能低估了组合价值——这正是为什么要报告全开而非只报单开。

---

一些好奇心问答（FAQ）

Q：OFT 是一个新模型还是一套方法？

是一套微调配方（recipe），外加一个用该配方微调 OpenVLA 得到的具体模型 OpenVLA-OFT。核心贡献是配方，模型是配方的实例化。

Q：我想把自己的 VLA 提速，能直接抄 OFT 吗？

能。三个旋钮（并行解码、动作分块、连续动作 + L1）是通用思路，作者也开源了代码和 checkpoint（openvla-oft.github.io）。对任何离散自回归的 VLA 都值得尝试。

Q：26 倍吞吐量是怎么来的？

主要来自并行解码（把"逐 token 逐维排队"压成一次前向）叠加动作分块（一次出多步、少问几次）。两者相乘产生数量级的加速。

Q：97.1% 是真机还是仿真？

LIBERO 的 76.5%→97.1% 是仿真基准。真机结果是双臂 ALOHA 上相对 π0 / RDT-1B / DP / ACT 最高领先 15%（绝对成功率）。

Q：为什么发表在 RSS？

RSS（Robotics: Science and Systems）是机器人顶会，偏系统与真机验证，和 OFT"配方 + 真机高频控制"的定位契合。

所以这一节是想说：对多数人，OFT 的正确用法是"把三个旋钮搬到自己的 VLA 微调里"，作者已把代码和权重开源。

---

如果你想再深入

1. 基座（必读）：OpenVLA (Kim et al. 2024) — 先懂原版的离散自回归单步长什么样，才知道 OFT 改了什么。见 openvla.md。
2. 分块思想来源：ACT (Zhao et al. 2023) — 动作分块的系统化起点。
3. 连续动作对照：Diffusion Policy (Chi et al. 2023) — 扩散头做连续动作，理解为什么 OFT 选了更简单的 L1。见 diffusion-policy.md。
4. 竞品对照：π0 (Physical Intelligence, 2024) — flow matching 连续动作 VLA，OFT 在真机上直接与之比较。见 pi0.md。
5. 官方资源：openvla-oft.github.io（代码 + 预训练 checkpoint + 消融表）。实操前重点看消融表，它是全文最核心的证据。

读顺序建议：

OpenVLA（基座） → OpenVLA-OFT（你在这，配方升级）
                   → ACT / Diffusion Policy（分块与连续动作来源）
                   → π0 / RDT-1B（真机竞品）

所以这一节是想说：OFT 是 OpenVLA 生态的"提速手术"，配套读 ACT、Diffusion Policy 理解它借了哪些零件，读 π0 看它的对手。

---

原文信息

@inproceedings{kim2025openvlaoft,
  title={Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success},
  author={Kim, Moo Jin and Finn, Chelsea and Liang, Percy},
  booktitle={Robotics: Science and Systems (RSS)},
  year={2025}
}

• arXiv：2502.19645
• 项目主页：openvla-oft.github.io
• 机构：Stanford University
• 一句话定位：OpenVLA 的"三旋钮微调配方"，LIBERO 76.5%→97.1%，吞吐 26×。

◼

@online{eai_openvla_oft_2026,
  title       = {(readable note) OpenVLA-OFT},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2025 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/openvla-oft/}},
  organization = {Embodied AI: Zero to One}
}