FabriVLA：一种用于精确多任务操作的轻量级视觉-语言-动作模型

摘要

FabriVLA是一种轻量级视觉-语言-动作模型，结合InternVL3.5视觉语言骨干网络与流匹配动作头，通过门控自注意力和浅层VLM融合增强空间上下文。在Meta-World MT50基准测试中，该模型在50个操作任务上实现了90.0%的平均成功率，证明紧凑型VLA无需数十亿参数即可达到强性能。