原创 夕小瑶编辑部 2025-10-22 13:06 上海
一站式开源VLA工具箱
from transformers import AutoModel
model = AutoModel.from_pretrained("bert-base") 官网：https://dexbotic.com/现在我们一起看看 Dexbotic 到底做了什么？Dexbotic 做了什么？简单点说，Dexbotic 做了三件事：统一框架、统一数据、提供更强的预训练模型。听起来好像没那么难，但这三件事，恰恰是现在 VLA 研究最缺的。先说统一框架，用一个环境跑通所有主流算法。主流的 VLA 算法有 Pi0、OpenVLA-OFT、CogACT 等，这些算法原本分散在不同的代码仓库，使用不同的深度学习框架，有些甚至没有开源完整代码。现在在 Dexbotic 里，想测试 Pi0 和 CogACT 哪个更好，不用配两套环境，改一行代码就行：
Paper：https://dexbotic.com/Dexbotic_Tech_Report.pdf
GitHub：https://github.com/Dexmal/dexbotic
Hugging Face：https://huggingface.co/collections/Dexmal/dexbotic-68f20493f6808a776bfc9fc4
class MyExp(BaseExp):
model = "CogACT"# 从 π0 切换到 CogACT 数据格式统一，模型层提供了几乎主流 VLA 算法，作为研究者，你 99% 的时间只在实验层工作。值得一提的是，Dexbotic 的基础设施也很灵活，从云端到本地都支持。如果你有预算，它支持阿里云 PAI、火山引擎这些云平台，可以用几百张 GPU 做大规模分布式训练。如果你是高校学生或者小团队，它也支持本地 GPU 训练——一张 RTX 4090 就能跑起大多数 VLA 模型。不用非得有几百张 A100 才能入场。除了这些核心能力，Dexbotic 还有一个很实用的设计：实验为中心的开发框架。传统的深度学习项目，配置参数通常用 YAML 文件。你想改一个参数，得复制整个配置文件，找到对应的那一行，小心翼翼地修改，还得检查有没有漏改的地方。Dexbotic 的做法是用 Python 类来管理配置。你有一个基础配置类，想改什么参数，就继承这个类，覆盖那一行：
# 基础配置
class BaseExp:
model = "DexboticVLM"
lr = 1e-4
epochs = 100
# 你的实验
class MyExp(BaseExp):
lr = 5e-5 # 只改学习率，其他自动继承 