乐聚机器人正式发布垂域大模型 KUAVO-VLA，并面向多渠道开源开放。

KUAVO-VLA是使用同构型真机数据进行基模二次训练得到的垂域模型，可以显著提升技能的成功率，并且大幅降低场景落地的开发成本。

垂域模型带来技能训练范式的革新

以KUAVO-VLA为代表的垂域模型的出现，意味着具身模型训练范式将从“基模-技能”变革为“基模-垂域模型-技能”。

垂域训练效果显著，25项任务综合性能领先

最终测评结果显示，KUAVO-VLA成功率为48.27%，过程分为74.51%，均超通用基模30多个百分点，且具备更强的新任务泛化与适配能力。

无需构型重复适配，补齐工业共性短板，缩短技能开发周期

与基础模型相比，KUAVO-VLA无需重复学习动作空间和工业垂域知识，新工业技能开发的数据与算力成本均降低50%以上，训练周期从数周压缩至数天，成功率显著提升。

为什么需要工业垂域模型

通用 VLA 基模需覆盖不同机器人本体和多种场景，因此具备更广泛的知识与能力边界。但当模型进入真实工业场景时，技能训练团队仍需针对机器人本体特性及作业场景，进行大量数据采集与适配工作。

KUAVO-VLA 的核心思路，是在通用基模与任务技能之间增加一层工业垂域模型，承担本体适配和领域能力沉淀的作用。从而为技能开发者提供更高的能力起点，既可显著提升技能成功率，也能在数据采集、训练和调试方面大幅降低模型落地的开发成本。

垂域模型的出现，也让不同定位的公司在具身智能模型落地链条上的研发分工更加清晰。

图丨具身智能模型落地链条研发分工

KUAVO-VLA是怎么做的、效果怎么样

基础模型选择与评估设置

为选择基础模型并评估性能提升效果，Benchmark共设置25项任务，包括20项定制化工业任务和5项来自公共任务集GM100的任务。前者重点检验模型对工业物料、工位及流程的适应能力，后者用于评估模型在公共任务上的迁移与泛化表现。对照模型包括π0.5、GR00T N1.7和Lingbot-VLA 2.0三种通用基模。

图丨25项任务综合评测结果

经Benchmark对比，LingBot-VLA 2.0在参测模型中综合表现最优，因此被选为KUAVO-VLA的能力基座，为其提供更高的通用能力起点。

同构型数据二次训练与共性能力沉淀

以LingBot-VLA 2.0为基础，KUAVO-VLA利用600余小时同构型高质量真机数据进行二次训练，持续、集中地学习统一的动作空间、运动特性和控制规律，从而减少不同本体数据差异对技能学习的干扰。

训练数据聚焦工业落地场景，覆盖分拣、搬运、上下料、装配等100项典型工业任务。通过多样化物料、工位与任务组合，模型得以沉淀出可复用的工业垂域操作能力。

垂域训练能力提升

在25项任务的综合评估中，KUAVO-VLA的整体任务成功率为48.27%，过程得分为74.51%；而Lingbot-VLA 2.0的任务成功率为16.27%，过程得分为42.06%。KUAVO-VLA的成功率高出32个百分点，约为后者的2.97倍；过程分高出32.45个百分点，约为后者的1.77倍。这充分证明了垂域训练对模型能力的显著提升。

图丨基于Lingbot-VLA 2.0基座的性能提升

真机执行稳定性

成功率与过程分同步提升，说明垂域训练的收益不仅体现在任务最终是否完成，也贯穿于整个执行过程。在真机运行中，KUAVO-VLA 表现出更好的动作平滑性、决策稳定性与执行一致性，动作抖动、重复修正和决策延迟明显减少。

新任务适配与泛化表现

20 项工业任务与 5 项 GM100 任务共同构成评估体系，使模型同时面对熟悉的工业操作分布和具有公共参照意义的任务。在未经专项后训练的新场景中，KUAVO-VLA 也展现出一定的零样本泛化能力。

案例1：在20项双臂操作任务中，以流水线开关分拣任务为例，该任务要求模型完成双臂协同抓取、定位与放置等连续操作。KUAVO-VLA利用5小时任务示范数据进行后训练适配，即可在该任务中取得80.00%的成功率。PCB板质检SMT料盘下架

罐装商品上料快消品下料流水线开关分拣图丨20项任务中的5项双臂任务

案例2：在 GM100 基准测试中，以零食分拣任务为例，该任务涉及多物体识别、抓取和分类放置等操作。KUAVO-VLA使用150条数据示范数据达到了73.33%的成功率。

5项GM100任务

具体解决了什么问题

减少本体重复适配

通用基模虽包含大量跨本体数据，但迁移到 KUAVO 上仍需重新学习动作空间、运动特性和控制规律。KUAVO-VLA 将这些本体共性能力前置到训练中，使后续技能开发建立在已适配 KUAVO 的模型之上，避免每个任务都重复完成同一轮本体学习。

补齐工业共性能力

通用数据分布与真实工业任务存在差异。模型通过分拣、搬运、上下料、装配等任务数据，集中强化识别、定位、抓取、搬运和放置等可复用操作，为不同工位提供共同能力底座。一旦这些能力沉淀在垂域模型中，新任务便无须再从零建立完整操作链条。

缩短新任务开发路径

本体适配和基础操作沉淀在垂域模型后，新任务训练可重点学习物料、工位和流程差异。开发路径由“重新学习一套完整任务”转变为“在已有能力上快速适配”，从而减少重复试错，提升真实工业任务的执行成功率与稳定性。

KUAVO-VLA现已开源。欢迎大家在OpenLET、HuggingFace、ModelScope 获取模型权重。我们还将很快开启系列开发者活动，并同步推出更适合开发者的技术套件。

网站：https://model.lejurobot.com/kuavo-vla-1

代码：Github:  https://github.com/LejuRobotics/LeTools-Learning

模型：OpenLET: https://openlet.openatom.tech/tools/KUAVO-VLA-1.0

ModelScope: https://www.modelscope.cn/models/lejurobot/LET-KUAVO-VLA-1.0-models

HuggingFace: https://huggingface.co/LejuRobotics/LET-KUAVO-VLA-1.0-models

数据集：OpenLET: https://openlet.openatom.tech/tools/KUAVO-VLA-1.0

ModelScope: https://www.modelscope.cn/datasets/lejurobot/LET-KUAVO-VLA-1.0-Dataset

HuggingFace: https://huggingface.co/datasets/LejuRobotics/LET-KUAVO-VLA-1.0-Dataset