跳到主要内容

后训练

LingBot-VLA 的核心使用路径：在官方预训练权重上，用你的数据后训练出可部署策略。VLA 的「微调」即「后训练（post-training）」。

通用流程​

  1. 下载预训练权重（lingbot-vla-4b 或 -depth）。
  2. 准备数据（LeRobot v3.0 + Robot Config + 归一化），见 数据。
  3. 选配置（真机 real_load20000h.yaml / 仿真 robotwin_load20000h.yaml）并启动训练。

RoboTwin 2.0 后训练示例（5 任务）​

# 无深度
bash train.sh tasks/vla/train_lingbotvla.py ./configs/vla/robotwin_load20000h.yaml \
    --data.train_path /path/to/mixed_robotwin_5tasks \
    --data.data_name robotwin \
    --data.norm_stats_file assets/norm_stats/robotwin_50.json \
    --train.output_dir output/

# 含深度
bash train.sh tasks/vla/train_lingbotvla.py ./configs/vla/robotwin_load20000h_depth.yaml \
    --data.train_path /path/to/mixed_robotwin_5tasks \
    --data.data_name robotwin \
    --data.norm_stats_file assets/norm_stats/robotwin_50.json \
    --train.output_dir output/

真机后训练​

官方提供面向真实场景的推荐配置：

  • configs/vla/real_load20000h.yaml（无深度）
  • configs/vla/real_load20000h_depth.yaml（含深度）

真机 / 仿真关键超参差异​

参数真机推荐RoboTwin 推荐
lr5e-51e-4
norm_typemeanstdbounds_99
loss_typefm（MSE flow-matching）L1_fm
max_steps4000020000

显存有限时​

通过 gradient_accumulation_steps > 1 启用梯度累积，等效放大全局 batch：

micro_batch_size: 4
gradient_accumulation_steps: 16
# global_batch_size = micro_batch_size × num_gpus × grad_accum = 4 × 4 × 16 = 256

4 × A6000 可微调 LingBot-VLA-4B（约 47–49 GB / 卡）。

产物​

后训练 checkpoint 位于 train.output_dir/checkpoints/*/hf_ckpt，部署需包含：.safetensors 权重、config.json、lingbotvla_cli.yaml。

官方后训练权重​

模型HuggingFace
LingBot-VLA-4B-Posttrain-Robotwinlink
LingBot-VLA-4B-Depth-Posttrain-Robotwinlink

深度注入​

含深度后训练通过对齐模块把 LingBot-Depth / MoGe-2 的 3D 几何蒸馏进动作专家，详见 预训练 · 含深度 与 LingBot-Depth。

完成后进入 评测。完整参数见 参考。