StarVLA-$α$：简化视觉-语言-动作系统的复杂性

StarVLA-$α$: Reducing Complexity in Vision-Language-Action Systems

视觉-语言-动作（VLA）模型近年来已成为构建通用机器人智能体的重要范式。然而，当前VLA领域仍呈现高度碎片化与复杂性：现有方法在架构设计、训练数据、具身配置及基准测试工程方案上存在显著差异。本研究提出StarVLA-$α$——一个简洁而强大的基线模型，旨在受控条件下系统研究VLA设计选择。该模型通过刻意简化架构与流程复杂度，减少实验干扰因素，实现可系统分析的设计框架。具体而言，我们重新评估了动作建模策略、机器人专用预训练及交互界面工程等关键设计维度。在LIBERO、SimplerEnv、RoboTwin和RoboCasa多基准统一训练中，这一简洁基线始终保持强劲竞争力，表明强大的视觉语言模型主干结合极简设计已足以实现卓越性能，无需依赖额外架构复杂性或工程技巧。值得注意的是，我们的单一通用模型在公开真实世界基准RoboChallenge上以20%优势超越$π_{0.5}$模型。我们期待StarVLA-$α$能为VLA领域的后续研究提供坚实基础。代码将在https://github.com/starVLA/starVLA发布。