模型找得到，
下载更顺手。

MiniCPM-RobotManip MiniCPM-RobotManip是一个15亿参数的视觉-语言-动作模型，用于具身操作任务。 通用操作能力：一个统一的15亿参数通用策略，使用同一套权重处理所有下游任务，在代表性评估中优于更大的模型如π₀.₅和Qwen-VLA。

FLUX 3 Action Base FLUX 3 Action 是一个开源权重的7B世界动作模型。该模型用于机器人控制，属于适配组件而非完整的机器人策略。 模型接收摄像头画面、机器人状态和文本指令，输出下一段动作以及与动作同步的去噪视频帧。基础模型包含457个张量，分为视频流、文本流、共享动作主干和ee50/gaming动作头。新肢体形态需要配备专用的动作头。

FLUX 3 Action 是一个开源权重的 7B 世界动作模型。该模型接收摄像头画面、机器人状态和文本指令，返回下一段动作预测，同时生成去噪后的下一帧视频。 根据视觉观察、机器人状态和文本指令预测动作序列 采用 SO-101 策略，包含检查点自带的观察历史、摄像头布局和归一化参数

FLUX 3 Action DROID FLUX 3 Action 是一个开源的 7B 参数世界动作模型。该模型接收摄像头画面、机器人状态和文本指令，输出下一段动作，并与下一帧视频画面一起去噪。该模型基于 DROID 数据集微调，在 RoboLab-120 基准测试中以 42.92% 的任务成功率排名第一。 该模型为世界动作模型（WAM），能够同时预测未来画面和动作。与传统的视觉语言动作模型（VLA）不同，WAM 将动作预测与视频生成结合在一起。

MuseVLA：用于机器人操作的自适应多模态传感视觉-语言-动作模型 MuseVLA是一种用于机器人操作的自适应多模态传感视觉-语言-动作模型。基于VITRA构建，MuseVLA将新型传感器视为按需工具，首先选择任务所需的模态，将选定的传感器观测结果与RGB图像对齐，然后生成机器人动作。 支持RGB、热传感、声学传感和mmWave雷达传感等多种传感器模态。在热传感、声学传感和雷达传感引导的机器人操作任务中，平均成功率达到80.6%。在未见过的传感器引导任务中，平均成功率为66