InternVLA-M1: Un marco de visión-lenguaje-acción guiado espacialmente para políticas robóticas generalistas

Resumen

Presentamos InternVLA-M1, un marco unificado para la localización espacial y el control de robots que avanza hacia la inteligencia escalable y de propósito general en robots que siguen instrucciones. Su idea central es el entrenamiento guiado espacialmente de visión-lenguaje-acción, donde la localización espacial sirve como el vínculo crítico entre las instrucciones y las acciones del robot. InternVLA-M1 emplea un proceso de dos etapas: (i) pre-entrenamiento de localización espacial en más de 2.3 millones de datos de razonamiento espacial para determinar "dónde actuar" al alinear las instrucciones con posiciones visuales independientes de la forma física, y (ii) post-entrenamiento de acción guiada espacialmente para decidir "cómo actuar" generando acciones conscientes de la forma física mediante indicaciones espaciales plug-and-play. Esta receta de entrenamiento guiada espacialmente produce mejoras consistentes: InternVLA-M1 supera a su variante sin guía espacial en un +14.6% en SimplerEnv Google Robot, +17% en WidowX y +4.3% en LIBERO Franka, mientras demuestra una mayor capacidad de razonamiento espacial en predicciones de caja, punto y trazo. Para escalar aún más el seguimiento de instrucciones, construimos un motor de simulación para recopilar 244 mil episodios generalizables de recoger y colocar, logrando una mejora promedio del 6.2% en 200 tareas y más de 3 mil objetos. En recoger y colocar en entornos reales agrupados, InternVLA-M1 mejoró en un 7.3%, y con co-entrenamiento sintético, alcanzó un +20.6% en objetos no vistos y configuraciones novedosas. Además, en escenarios intensivos en razonamiento de largo plazo, superó a trabajos existentes en más del 10%. Estos resultados destacan el entrenamiento guiado espacialmente como un principio unificador para robots generalistas escalables y resilientes. El código y los modelos están disponibles en https://github.com/InternRobotics/InternVLA-M1.

English

We introduce InternVLA-M1, a unified framework for spatial grounding and robot control that advances instruction-following robots toward scalable, general-purpose intelligence. Its core idea is spatially guided vision-language-action training, where spatial grounding serves as the critical link between instructions and robot actions. InternVLA-M1 employs a two-stage pipeline: (i) spatial grounding pre-training on over 2.3M spatial reasoning data to determine ``where to act'' by aligning instructions with visual, embodiment-agnostic positions, and (ii) spatially guided action post-training to decide ``how to act'' by generating embodiment-aware actions through plug-and-play spatial prompting. This spatially guided training recipe yields consistent gains: InternVLA-M1 outperforms its variant without spatial guidance by +14.6% on SimplerEnv Google Robot, +17% on WidowX, and +4.3% on LIBERO Franka, while demonstrating stronger spatial reasoning capability in box, point, and trace prediction. To further scale instruction following, we built a simulation engine to collect 244K generalizable pick-and-place episodes, enabling a 6.2% average improvement across 200 tasks and 3K+ objects. In real-world clustered pick-and-place, InternVLA-M1 improved by 7.3%, and with synthetic co-training, achieved +20.6% on unseen objects and novel configurations. Moreover, in long-horizon reasoning-intensive scenarios, it surpassed existing works by over 10%. These results highlight spatially guided training as a unifying principle for scalable and resilient generalist robots. Code and models are available at https://github.com/InternRobotics/InternVLA-M1.

InternVLA-M1: Un marco de visión-lenguaje-acción guiado espacialmente para políticas robóticas generalistas

InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy

Resumen

Support