AnolisVLA：面向移动操作的轻量级视觉-语言-动作模型，采用深度状态空间模型

AnolisVLA 是一款采用深度状态空间模型处理多模态序列的轻量级视觉-语言-动作模型（VLA），用于语言引导的机器人操作，可实现高效轨迹生成。在仿真和两个真实机器人平台上，其任务成功率高于同等参数规模的 SmolVLA，推理更快，GPU 显存占用相当；在移动操作中，其任务成功率比 30 亿参数的 π_{0.5} 模型高 21 个百分点，推理速度约为其 3 倍。