Comparer
Modèles VLA
Comparez les modèles de fondation robotique (VLA) : paramètres, architecture, poids ouverts, fréquence de contrôle. Données sourcées.
Pour comprendre comment fonctionnent ces modèles avant de les comparer, lisez notre guide modèles VLA expliqués.
Cliquez sur une ligne pour afficher les détails, les sources et la date de vérification.
| Nom | Organisation | Pays | Sortie | Params (Mds) | Poids ouverts | Architecture | Fréquence (Hz) |
|---|---|---|---|---|---|---|---|
| NVIDIA Isaac GR00T N1.7 | NVIDIA | US | 2026-04 | 3 | oui | dual-system VLA: Cosmos-Reason2-2B VLM (System 2) + 16-layer diffusion-transformer action head (System 1), 40-step action horizon, relative end-effector action space | n.c. |
|
Ligne de modèles de fondation robotiques ouverts phare de NVIDIA, initiée avec GR00T N1 (premier modèle de fondation humanoïde ouvert, mars 2025). N1.7 (disponible en avril 2026) adopte un backbone Cosmos-Reason2-2B et un espace d'action relatif à l'effecteur, partagé entre robots et démonstrations humaines.
Licence : NVIDIA Open Model License (weights); Apache-2.0 (code)Modalités : vision, language, actionIncarnations : humanoid, manipulator, cross-embodimentDonnées d'entraînement : Several thousand hours of teleoperated demos (bimanual YAM, AgiBot Genie-1, simulated Galaxea R1 Pro, Unitree G1 locomanipulation) plus 20,000 h of EgoScale egocentric human video
Sources : NVIDIA (GitHub) (2026-07-09)NVIDIA Research (GEAR Lab) (2025-12-15)arXiv (2025-03-18) Dernière vérification 2026-07-09 |
|||||||
| Gemini Robotics 1.5 (+ Gemini Robotics-ER 1.5) | Google DeepMind | US | 2025-09 | n.c. | non | dual-model agentic system: Gemini Robotics-ER 1.5 (embodied-reasoning orchestrator with tool calling) + Gemini Robotics 1.5 VLA executor with motion transfer and interleaved natural-language thinking | n.c. |
|
Pile robotique agentique de Google DeepMind : ER 1.5 planifie, raisonne spatialement et appelle des outils (disponible via l'API Gemini ; ER 1.6 a suivi en 2026), tandis que le VLA Gemini Robotics 1.5 exécute et transfère les mouvements entre robots. Les poids restent fermés, le VLA étant réservé à des partenaires sélectionnés.
Modalités : vision, language, actionIncarnations : manipulator, humanoid, cross-embodimentDonnées d'entraînement : Not disclosed in detail; multi-embodiment robot data across ALOHA 2, bi-arm Franka and Apptronik Apollo, leveraged via a Motion Transfer mechanism on top of Gemini multimodal pretraining
Sources : Google DeepMind (2025-09-25)arXiv (2025-10-03)Google AI for Developers (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| π*0.6 (Physical Intelligence) | Physical Intelligence | US | 2025-11 | n.c. | non | VLA built on a 5B-parameter VLM augmented with an action expert; RL post-training via RECAP (RL with Experience and Corrections via Advantage-conditioned Policies) | n.c. |
|
Dernier VLA de la startup américaine la mieux financée sur les modèles de fondation robotiques, entraîné avec RECAP pour apprendre de sa propre expérience ; il a préparé des cafés, plié du linge inconnu et assemblé des cartons en usine pendant des heures sans interruption. Contrairement à π0/π0.5 (ouverts via openpi), les poids de π*0.6 n'étaient pas publiés mi-2026.
Modalités : vision, language, actionIncarnations : manipulator, mobile, cross-embodimentDonnées d'entraînement : Builds on the π0.5 pretraining mixture; RECAP combines demonstrations, expert teleoperated corrections and autonomous on-robot experience with a value function
Sources : Physical Intelligence (2025-11-17)Physical Intelligence (model card) (2025-11-17)Physical Intelligence (GitHub) (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| Helix | Figure AI | US | 2025-02 | 7 | non | dual-system VLA (System 1/System 2): 7B internet-pretrained VLM at 7-9 Hz + 80M reactive visuomotor policy at 200 Hz | 200 |
|
Premier VLA à contrôler en continu et à haute fréquence tout le haut du corps d'un humanoïde (poignets, doigts, torse, tête) et à fonctionner entièrement embarqué sur GPU basse consommation, y compris une collaboration à deux robots en zero-shot avec un seul jeu de poids.
Modalités : vision, language, actionIncarnations : humanoidDonnées d'entraînement : ~500 h of teleoperated humanoid manipulation demonstrations with auto-generated natural-language annotations
Sources : Figure AI (2025-02-20)Humanoids Daily (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| OpenVLA | Stanford / UC Berkeley / TRI / Google DeepMind (academic consortium) | US | 2024-06 | 7 | oui | autoregressive VLA: Prismatic VLM (Llama-2-7B language backbone + fused SigLIP and DINOv2 vision encoders), actions as discrete tokens | n.c. |
|
Le VLA open source de référence : il a surpassé le modèle fermé RT-2-X (55 Md) avec seulement 7 Md de paramètres et publié tous les poids et le code d'entraînement sous licence MIT, catalysant l'écosystème VLA académique et startup.
Licence : MITModalités : vision, language, actionIncarnations : manipulator, cross-embodimentDonnées d'entraînement : 970k robot manipulation episodes from the Open X-Embodiment dataset; trained on 64 A100 GPUs for 15 days
Sources : arXiv (2024-06-13)Hugging Face (model card) (2026-07-09)OpenVLA project (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| Octo | UC Berkeley / Stanford / CMU / Google DeepMind (academic consortium) | US | 2024-05 | 0,1 | oui | transformer policy with diffusion action head; flexible observation and action spaces (Octo-Small 27M, Octo-Base 93M) | n.c. |
|
Première politique robotique généraliste entièrement open source (données, poids et pipeline d'entraînement) ; son transformer compact à tête de diffusion est devenu une référence académique pour la manipulation multi-robots.
Licence : MITModalités : vision, language, actionIncarnations : manipulator, cross-embodimentDonnées d'entraînement : 800k robot trajectories from the Open X-Embodiment dataset
Sources : arXiv (2024-05-20)Octo project (2026-07-09)GitHub (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| RT-2 (Robotic Transformer 2) | Google DeepMind | US | 2023-07 | 55 | non | VLA co-fine-tuned from web-scale VLMs (PaLI-X 55B and PaLM-E 12B variants); robot actions emitted as text tokens | n.c. |
|
Le VLA fondateur : premier à démontrer que les connaissances vision-langage à l'échelle du web se transfèrent directement au contrôle robotique en traitant les actions comme des tokens de texte. Il a engendré l'initiative RT-X / Open X-Embodiment sur laquelle reposent la plupart des VLA ouverts ultérieurs. Artefact de recherche, jamais publié en poids ni en produit.
Modalités : vision, language, actionIncarnations : manipulator, mobileDonnées d'entraînement : Internet-scale vision-language data co-fine-tuned with RT-1 robot demonstrations (collected with 13 robots over 17 months)
Sources : Google DeepMind (2023-07-28)arXiv (2023-07-28)InfoQ (2023-10-01) Dernière vérification 2026-07-09 |
|||||||
| SmolVLA | Hugging Face (LeRobot team) | US | 2025-06 | 0,5 | oui | compact VLA: SmolVLM-2 backbone + flow-matching action expert conditioned on multi-camera views, robot state and language; asynchronous inference | n.c. |
|
Un VLA ouvert de 450 M de paramètres entraîné uniquement sur des données communautaires, assez petit pour être entraîné sur un seul GPU grand public et tourner sur CPU ou MacBook ; l'inférence asynchrone apporte ~30 % de latence en moins et ~2x de débit de tâches. Développé par l'équipe LeRobot de Hugging Face, basée à Paris.
Licence : Apache-2.0Modalités : vision, language, actionIncarnations : manipulatorDonnées d'entraînement : Exclusively publicly available, crowd-sourced LeRobot community datasets from the Hugging Face hub (low-cost robot data)
Sources : arXiv (2025-06-02)Hugging Face (2025-06-03)Hugging Face (model card) (2026-07-09) Dernière vérification 2026-07-09 |
|||||||
| Robostral Navigate | Mistral AI | FR | 2026-07 | 8 | non | pointing-based navigation model: grounding-specialized Mistral VLM predicts target image coordinates and desired orientation in the current camera view, with local displacement fallback | n.c. |
|
L'entrée de Mistral AI dans l'IA physique (annoncée le 8 juillet 2026) : un modèle de 8 Md de paramètres qui pilote des robots à roues, à pattes et volants à partir d'une seule caméra RGB et d'instructions en langage naturel, entraîné entièrement en simulation. Disponibilité et licence non annoncées au lancement.
Modalités : vision, language, actionIncarnations : mobile, legged, aerial, cross-embodimentDonnées d'entraînement : ~400,000 simulated trajectories across 6,000 scenes, generated entirely in-house without open-source VLMs; further improved with online reinforcement learning (+3.2 pts reported)
Sources : Mistral AI (2026-07-08)The Decoder (2026-07-08)Bloomberg (2026-07-08) Dernière vérification 2026-07-09 |
|||||||
| GAIA-2 | Wayve | GB | 2025-03 | n.c. | non | latent-diffusion multi-camera generative world model conditioned on ego-vehicle dynamics, agent configurations, environmental factors and road semantics | n.c. |
|
Le modèle du monde de conduite phare en Europe : il génère des vidéos multi-caméras contrôlables et cohérentes dans l'espace-temps, y compris des scénarios rares et critiques pour entraîner et valider l'IA de conduite de Wayve. Remplacé en décembre 2025 par GAIA-3 (15 Md de paramètres, le double de GAIA-2), proposé pour la validation de conduite autonome.
Modalités : vision, actionIncarnations : autonomous-vehicleDonnées d'entraînement : Real-world driving data from geographically diverse environments (UK, US, Germany)
Sources : Wayve (2025-03-26)arXiv (2025-03-26)ADAS & Autonomous Vehicle International (2025-12-03) Dernière vérification 2026-07-09 |
|||||||
| RFM-1 | Covariant | US | 2024-03 | 8 | non | 8B any-to-any multimodal transformer performing autoregressive next-token prediction across text, images, video, robot actions and numerical sensor readings | n.c. |
|
Modèle de fondation robotique commercial pionnier pour la manipulation en entrepôt, doté d'un modèle du monde physique appris qui prédit en vidéo l'issue des actions candidates. En août 2024, Amazon a recruté les fondateurs de Covariant et environ un quart de l'équipe, avec une licence non exclusive sur ses modèles.
Modalités : vision, language, action, video, sensorIncarnations : manipulatorDonnées d'entraînement : Internet data plus Covariant's proprietary multimodal warehouse production data (Covariant Brain fleet: picking, sortation, induction, depalletization since 2017)
Sources : Covariant (2024-03-11)IEEE Spectrum (2024-03-11)TechCrunch (2024-08-31) Dernière vérification 2026-07-09 |
|||||||
| AgiBot GO-1 (Genie Operator-1) | AgiBot (Zhiyuan Robotics) / OpenDriveLab | CN | 2025-03 | 3 | oui | ViLLA (Vision-Language-Latent-Action): InternVL2.5-2B VLM backbone + MoE with a 24-layer latent planner predicting latent action tokens and a high-frequency action expert | n.c. |
|
Modèle de fondation incarné ouvert phare de la Chine, qui introduit le cadre ViLLA où des tokens d'action latents relient les entrées vision-langage au contrôle du robot. Annoncé en mars 2025 et intégralement open source (poids sur Hugging Face) en septembre 2025, aux côtés du plus grand jeu de données robotique réel ouvert.
Licence : CC BY-NC-SA 4.0Modalités : vision, language, actionIncarnations : humanoid, manipulator, cross-embodimentDonnées d'entraînement : AgiBot World dataset: over 1 million real-robot trajectories across 217 tasks in 5 application domains, plus cross-embodiment and human video data for the latent planner
Sources : Hugging Face (model card) (2026-07-09)GlobeNewswire (AgiBot press release) (2025-03-11)arXiv (2025-03-09)OpenDriveLab (X) (2025-09-20) Dernière vérification 2026-07-09 |
|||||||
12 / 12 fiches