当前多数VLA框架存在代码臃肿、训练低效、多源数据混训困难等问题，难以直接投入实际应用。vla-scratch从底层重构设计，以统一数据模型、数倍性能提升和开箱即用体验，为具身智能研发提供可工程化的基础设施支撑。
智能速览
首创TensorClass统一多模态与机器人异构数据结构，清晰解耦Dataset与Policy
重写forward pass与dataloader，实测FPS较主流框架提升3–5倍
支持Qwen3-VL、PaliGemma、SmolVLM等主流视觉语言模型即插即用
提供LIBERO预训练权重，uv run一键启动，配置极简
由清华叉院本科生从零手搓，聚焦infra层真实问题而非概念验证
精华内容
当具身智能的研发重心从算法灵光转向工程落地，一套真正经得起多任务、多数据、多模型考验的底层代码基座，变得比任何单点创新都更关键。
数据大一统
传统VLA框架对图像、文本、动作轨迹、状态观测等多源异构数据采用分散定义方式，导致co-training时需反复适配序列长度、padding策略与batch维度。vla-scratch引入TensorClass抽象，将所有模态数据建模为具有schema约束的张量容器，使同一训练流程可无缝接入LIBERO、RT-1、Open-X等不同来源数据集。图5显示，在保持policy网络结构不变前提下，跨数据集迁移训练收敛步数降低37%，梯度方差下降29%。
性能回归底层
多数框架依赖HuggingFace Transformers与Accelerate通用封装，带来显著调度开销。vla-scratch剥离高层抽象，自定义轻量级dataloader（支持内存映射+零拷贝共享）、融合式forward pass（合并token embedding与视觉编码器前向计算），在A100×8环境下，处理640×480 RGB+文本输入时，端到端吞吐达12.8 FPS，是同类开源方案平均值的4.2倍。图3与图4证实其在长序列（>512 tokens）场景下延迟优势更为明显。
开箱即工程化
项目采用uv作为默认运行时，执行uv run train --config libero_spatial.yaml即可启动标准训练；内置配置模板覆盖多任务微调、zero-shot泛化、离线强化学习蒸馏三类典型范式；已发布LIBERO-10K预训练checkpoint，实测在LIBERO-Spatial下游任务上top-1成功率72.4%，较未初始化基线高18.6个百分点。SmolVLM backbone在同等硬件下完成全量微调仅需11小时，较HF默认流程缩短63%。
vla-scratch的价值不在于提出新模型，而在于把VLA从论文实验推向可迭代、可维护、可部署的工程现实。它标志着具身智能基础设施正经历一次静默但关键的升级——当更多团队能基于同一健壮基座快速验证想法，整个领域的演进节奏或将加速。下一个值得追问的问题是：标准化的数据接口与训练协议，能否成为下一代VLA生态的共识底座？
关键评论
去年看到这个repo的时候还没这么多功能，作者码力太强了！
最近很火的StarVLA也在做类似codebase，具身生态确实越来越好了
@duckduck（27fall phd寻找中） 有无评价
