Illustration générée par IAScaleVLA : un modèle vision-langage-action (VLA) passe à l'échelle avec 552 milliards de paramètres
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
Des chercheurs publient sur arXiv (identifiant 2611.21607) ScaleVLA, une politique Vision-Language-Action (VLA) qui associe un backbone VLM de 552 milliards de paramètres, DeepSeek-V4.1-Flash, à un module d'action de type Diffusion Transformer (DiT) entraînable. L'équipe a comparé de façon systématique des VLM allant de 2 à 552 milliards de paramètres, avec un protocole d'entraînement identique. Trois capacités sont mesurées. En efficacité en données, 10 démonstrations suffisent pour atteindre 87,8 % de réussite, contre 85,6 % pour un backbone de 2 milliards entraîné sur 50 démonstrations. En généralisation, le benchmark LIBERO-PRO donne 45,1 % de succès, contre 31,3 % au mieux pour les backbones plus petits. En manipulation de précision, l'insertion d'un chargeur en conditions réelles passe de 4 réussites sur 10 à 9 sur 10, les gains se concentrant sur l'alignement sensible au contact. La latence médiane atteint 216 ms par « action chunk », malgré la taille du modèle.
L'enjeu est de tester une hypothèse que le secteur n'avait guère vérifiée : la plupart des politiques VLA s'appuient sur des backbones de quelques milliards de paramètres, et on ignorait si les représentations de VLM de classe frontière se transféraient au contrôle physique. Ces résultats suggèrent que la taille du backbone améliore à la fois la sobriété en données, la robustesse hors distribution et la précision de contact. Pour un intégrateur, le coût de collecte de démonstrations téléopérées, souvent le poste le plus lourd d'un déploiement, pourrait ainsi baisser. Quelques réserves s'imposent toutefois. Le gain en efficacité (87,8 % contre 85,6 %) reste modeste en valeur absolue, et 45,1 % sur LIBERO-PRO indique qu'on est encore loin d'une généralisation fiable. L'essai d'insertion de chargeur repose sur 10 essais, un échantillon trop faible pour une conclusion statistique solide. Enfin, la latence de 216 ms est annoncée sans précision sur le matériel utilisé, ce qui compte beaucoup pour un modèle de 552 milliards de paramètres, et une telle latence reste problématique pour du contrôle réactif à haute fréquence.
Ce travail s'inscrit dans la tendance qui consiste à réutiliser des VLM généralistes comme fondation de politiques robotiques, une lignée qui va des premiers modèles RT-2 aux familles Pi-0 et GR00T. Les auteurs s'appuient aussi sur le constat que des VLM frontières, tel GPT-6 Astra, montrent déjà de bonnes aptitudes au pilotage de robots. Le choix d'un backbone open-weights de la famille DeepSeek, plutôt que d'un modèle fermé, rend la démarche plus reproductible pour les laboratoires académiques et européens. Il s'agit d'une publication de recherche, sans produit ni déploiement industriel annoncé à ce stade. Les prochaines étapes à surveiller sont la reproduction indépendante des résultats, la distillation vers des modèles embarquables et l'évaluation sur des tâches longues et sur plusieurs types de robots, seules à même de dire si l'échelle apporte un avantage décisif face aux approches plus compactes.
Le backbone open-weights facilite la reproduction par les laboratoires académiques et européens, sans déploiement ni acteur européen directement impliqué.
Dans nos dossiers




