SmolVLA：检查一个 VLA 接口

SmolVLA 在做什么

SmolVLA 把图像、机器人状态和任务语言映射为动作块。它不是先生成完整未来视频再规划，而是直接输出动作。

observation.images.camera1
observation.state
task text
        ↓
   SmolVLA
        ↓
action chunk: (1, 50, 6)

本地 GPU 结果

实践：读 JSON

打开 source/worldmodel_embodied_ai/03_vla_smolvla/outputs/smolvla_gpu_metrics.json，找出：

1. input state shape
2. output shape
3. first run vs repeat timings
4. GPU memory

Flow matching 直觉

不是输出唯一动作均值，而是学习从噪声分布移动到动作分布的路径，因此能表示多模态行为。

检索练习

本课一手来源

一手资料：SmolVLA 论文；对比 π0。