示例库#

本节展示 FluxVLA 当前支持的示例集合，说明如何将框架应用于不同场景，并体现其在实际使用中的效率与可扩展性。示例库会持续更新，逐步覆盖更多场景与任务，以展现 FluxVLA 的多样性与可扩展性。

本节内容结构如下：

  • VLM Fine-tuning：以 Qwen3 0.6B LLM 和 Qwen3 2B VLM 的 Vision Encoder 组合而成的 Qwen3-VL 0.6B 为例，使用 Cambrain-7M Dataset 对 VLM 进行 Fine-tuning。详见 VLM 训练与评测示例。

  • LIBERO Simulation Training：在 LIBERO 仿真 Data 上对 Vision-Language-Action Model 进行 Training 与 Evaluation 的完整流程（以 libero_10 为例），涵盖环境配置、Training 与 Evaluation。详见 LIBERO 仿真数据训练。

  • Pi0.5 Model Training：对 π0.5（PI05FlowMatching）进行 Training/Fine-tuning 的示例，包含从 Data 输入到 Evaluation 可视化的全流程（涵盖 LIBERO 仿真 Data 与私有 Real-robot Data Training）。详见 π₀.₅ 模型训练。

  • GR00T-N1.5 Model Training：对 GR00T-N1.5 进行 Training/Fine-tuning 的示例，涵盖 LIBERO 仿真 Data Training 与私有 Real-robot Data Training，包含 Data 准备、Algorithm 配置与 Evaluation 可视化。详见 GR00T-N1.5 模型训练。

温馨提示：

  • 运行示例前请先完成环境安装与数据准备（参见「快速开始」）。

  • 示例库将随版本迭代增加更多场景（如更多 SOTA 模型、RoboCasa 等仿真器及真机强化学习示例）。

如需某一示例的详细步骤与配置，请点击左侧导航进入对应小节。