# 一站式具身智能 VLA 开发工具箱
[](https://arxiv.org/pdf/2510.23511)
[](https://huggingface.co/Dexmal)
[](https://dexbotic.com/docs/)
[](LICENSE)
[](README.md)
预训练 · 微调 · 推理 · 评测
支持 π0、CogACT、OFT、MemVLA 等主流策略
## 简介
**Dexbotic** 是一套基于 PyTorch 框架开发的 VLA（视觉-语言-动作）开发工具箱，旨在为具身智能研究提供一个统一、高效的解决方案。它内置了多种主流 VLA 模型的环境配置，用户只需简单的设置即可复现、微调和推理各种前沿算法。
- **开箱即用的 VLA 框架**：以 VLA 模型为核心，集成了具身操作和导航功能，支持多种业内领先的算法。
- **高性能预训练基础模型**：针对 π0 和 CogACT 等主流 VLA 算法，提供了多个基于 Dexbotic 优化后的预训练模型。
- **模块化开发架构**：采用「分层配置 + 工厂注册 + 入口分发」架构，用户仅需修改实验脚本，即可轻松实现配置修改、模型更换或任务添加等需求。
- **云端与本地一体化训练**：全面支持云端与本地训练需求，支持阿里云、火山引擎等云训练平台，同时适配消费级 GPU 进行本地训练。
- **广泛的机器人适配**：针对 UR5、Franka 和 ALOHA 等主流机器人，提供了**统一的训练数据格式**和部署脚本。
## 🔥 最新动态
- **[2026-07-29]** 新增 [PI05 LIBERO LoRA SFT](docs/LiberoLora.md#pi05-lora-recipe) 支持，详见 [PI05 LoRA](playground/benchmarks/libero/libero_pi05_lora.py)。
- **[2026-07-29]** 新增 [PI0 LIBERO LoRA SFT](docs/LiberoLora.md#pi0-lora-recipe) 支持，详见 [PI0 LoRA](playground/benchmarks/libero/libero_pi0_lora.py)。
- **[2026-07-28]** 新增 [gr00tsonic](playground/example_gr00tsonic_exp.py) 对 Unitree G1 SONIC 的支持。详情参见 [Unitree G1 SONIC 指南](hardware/unitree_sonic/README.md)。
- **[2026-06-25]** 新增 DM0 模型的[联合训练](dexbotic/exp/hybrid_dm0_exp.py)能力。详情参见 [Hybrid DM0 Co-Training](docs/DM0.md#hybrid-dm0-co-training)。
- **[2026-06-18]** 发布了 [DOS-W1 推理教程](hardware/docs/dosw1_inference_example.md)，介绍如何将 DOS-W1 与 Dexbotic 集成。
- **[2026-06-18]** 新增 [DM0 实时推理指南](docs/DM0RealtimeInference.md)，介绍基于 Triton 的实时后端，并包含核心推理 5 倍加速结果。
- **[2026-06-12]** 新增统一的 [v1 推理 API](docs/InferenceAPI.md)，用于在不同模型封装间提供一致的 VLA/VLM 服务接口。
- **[2026-05-15]** 支持 [FSDP2 训练后端](docs/FSDP2.md)，用于更快的分布式训练。
- **[2026-05-09]** 支持 [Uni-NaVid](playground/example_uninavid_exp.py)，并提供[使用指南](docs/Uni-NaVid.md)。
- **[2026-04-27]** 支持将 [RLinf 作为 RL 后端](docs/RLinfAsRLBackend.md)，用于 RL 后训练。
- **[2026-03-30]** 支持 [GR00TN1](playground/benchmarks/libero/libero_gr00tn1.py) 模型。
- **[2026-03-30]** 新增 Pi05 模型的[联合训练](dexbotic/exp/hybrid_pi05_exp.py)能力。
- **[2026-03-30]** 发布了 [XLeRobot](hardware/docs/xlerobot_inference_example.md) 在 Dexbotic 中使用的教程。
- **[2026-02-10]** [DM0](docs/DM0.md) 正式发布！详情参见 [技术报告](https://dexmal.com/DM0_Tech_Report.pdf)。
- **[2026-02-10]** 合作公告：我们非常高兴地宣布与 [RLinf](https://github.com/RLinf/RLinf) 达成战略合作。双方将共同推进 VLA + RL 的研究与应用。
- **[2026-01-15]** 发布了 [SO-101](hardware/docs/so101_inference_example.md) 在 Dexbotic 中使用的教程。
- **[2026-01-15]** 支持 [GRPO](docs/RL.md)。
- **[2026-01-15]** 支持 [NaVILA](playground/example_navila_exp.py)。
- **[2026-01-08]** 新增 [联合训练](dexbotic/exp/hybrid_cogact_exp.py)能力，支持对 CogACT 模型的动作专家与 LLM 的联合优化。
- **[2026-01-08]** 发布了适配 [Blackwell GPU](#blackwell-gpus) 的专用镜像。
- **[2025-12-29]** 支持 [OFT](playground/benchmarks/libero/libero_oft.py) 和 [Pi0.5](playground/benchmarks/libero/libero_pi05.py) 模型。
- **[2025-10-20]** Dexbotic 正式发布！详情请查阅 [技术报告](https://arxiv.org/pdf/2510.23511) 和 [官方文档](https://dexbotic.com/docs/)。
## 快速开始
我们强烈推荐使用 Docker 进行开发或部署，以获得最佳的使用体验。
### 1. 安装与环境配置
```bash
# 1. 克隆代码仓库
git clone https://github.com/dexmal/dexbotic.git
# 2. 启动 Docker 容器
docker run -it --rm --gpus all --network host \
-v $(pwd)/dexbotic:/dexbotic \
dexmal/dexbotic \
bash
# 3. 激活环境并安装依赖
cd /dexbotic
conda activate dexbotic
pip install -e .
```
> **系统要求**：Ubuntu 20.04/22.04，推荐使用 RTX 4090、A100 或 H100（训练建议 8 GPU，部署需 1 GPU）。