Robotics / VLA
Vision-Language-Action models for robotics and embodied AI
Modele vision-language-action dla robotyki i embodied AI
Modele vision-language-action (VLA) łączą percepcję, język i sterowanie motoryczne. VLA bierze klatki z kamery plus instrukcję w języku naturalnym ('podnieś czerwony kubek') i zwraca akcje robota niskiego poziomu — kąty stawów, komendy do grippera, pozy end-effectora. Większość to artefakty badawcze z laboratoriów takich jak Physical Intelligence, Google DeepMind, Stanford i Berkeley.
12 models available
Gemini Robotics (2025)
Google DeepMind's vision-language-action model based on Gemini 2.0. Generalist robot policy with strong dexterity.
Gemini Robotics-ER
Embodied-reasoning variant of Gemini Robotics. Enhanced 3D spatial reasoning and trajectory planning.
Google RT-2-X
Google's VLA from RT-X collaboration. Trained on Open-X-Embodiment (22 robots, 527 skills), positive transfer.
LeRobot SmolVLA
HuggingFace's 450M VLA pretrained on 487 community LeRobot datasets. Runs on consumer GPUs.
NVIDIA Cosmos-Predict-1
NVIDIA's world foundation model for physical AI. Diffusion-based video prediction for robotics simulation.
Octo Base
Berkeley/Stanford 93M transformer diffusion policy. Pretrained on 800k Open-X-Embodiment episodes.
Octo Small
Compact 27M variant of Octo. Faster inference on consumer GPUs, designed for low-latency control.
OpenVLA-7B
Stanford/Berkeley open VLA trained on 970k Open-X-Embodiment episodes. Supports LoRA fine-tuning.
Physical Intelligence Pi-0-FAST
Autoregressive π-0 variant using FAST action tokenizer. Faster inference at competitive task success.
Physical Intelligence π-0
Physical Intelligence's flagship VLA flow-matching policy. Generalist robot control, pretrained on 10k+ hrs robot data.
Physical Intelligence π-0.5
Upgraded π-0 with open-world generalization via knowledge insulation. Weights and fine-tuning open-sourced.
RDT-1B
Tsinghua's 1B diffusion-transformer bimanual manipulation policy. Predicts next 64 actions per inference.
Top robotics / vla picks
Hand-picked across four common criteria — resolved against the live catalog so the picks track price and performance changes.
Google DeepMind's vision-language-action model based on Gemini 2.0. Generalist robot policy with strong dexterity.
Learn moreGoogle DeepMind's vision-language-action model based on Gemini 2.0. Generalist robot policy with strong dexterity.
Learn moreGoogle DeepMind's vision-language-action model based on Gemini 2.0. Generalist robot policy with strong dexterity.
Learn moreGoogle DeepMind's vision-language-action model based on Gemini 2.0. Generalist robot policy with strong dexterity.
Learn moreCennik w tej kategorii nie jest jeszcze ustandaryzowany. Większość modeli na tej stronie działa na dedykowanej infrastrukturze GPU — Vast.ai, Replicate, self-hosted — i płacisz za sekundę obliczeń inferencyjnych, a nie za wywołanie czy za token. Planuj €0,001-€0,01 za krok inferencji (jedna klatka z kamery plus jedna instrukcja) na sprzęcie klasy H100. Ciągła policy działająca przy 10 Hz kosztuje mniej więcej €0,36-€3,60 za godzinę pracy robota, przed kosztami energii i nadzoru.
Trójkąt kompromisu to generalizacja, opóźnienie i zakres fizyczny. Większe VLA (RT-2-X, OpenVLA-7B) generalizują na nowe obiekty i instrukcje, ale wnioskują przy 1-3 Hz, za wolno dla zamkniętej pętli zręcznego sterowania. Mniejsze destylowane modele (Octo, π-0-fast, RDT-1B) osiągają 30-50 Hz, ale generalizują tylko w obrębie swojej dystrybucji treningowej. Dla manipulacji tabletop w kontrolowanej celi mały szybki model jest zwykle właściwy. Dla badań wymagających generalizacji językowej i wizualnej jest większy model.
Uwaga na lukę sim-to-real: większość danych treningowych VLA jest zbierana w symulacji albo na specyficznych embodimentach robotów. Wdrożenie na innym ramieniu, gripperze czy geometrii kamery zwykle wymaga fine-tuningu na kilkuset do kilku tysięcy nowych demonstracjach. Uwaga też na bezpieczeństwo — te modele czasem wyrzucają niebezpieczne trajektorie stawów; zawsze umieść filtr bezpieczeństwa niskiego poziomu (limity stawów, limity siły, granice workspace) między policy a sprzętem.
Top picks powyżej obejmują najbardziej generalizowalnego flagshipa badawczego, najtańszą opcję na współdzielonym GPU, największy model open-weights oraz najszybszą policy sterowania real-time. Komercyjne oferty managed-API zostaną dodane, gdy dostawcy je wypuszczą.
Popular use cases
Common patterns built with robotics / vla on Railwail.
Related comparisons
Side-by-side reviews of the most-compared models in this category.
Frequently asked questions
Start Building with AI
Access all models through a single API. Get free credits when you sign up — no credit card required.