InternVLA-M1: Een ruimtelijk gestuurd visie-taal-actie raamwerk voor een generalistisch robotbeleid

Samenvatting

We introduceren InternVLA-M1, een uniform raamwerk voor ruimtelijke verankering en robotbesturing dat instructievolgende robots verder brengt richtung schaalbare, algemene intelligentie. De kernidee is ruimtelijk geleide visie-taal-actie training, waarbij ruimtelijke verankering de cruciale schakel vormt tussen instructies en robotacties. InternVLA-M1 maakt gebruik van een tweestaps pijplijn: (i) ruimtelijke verankeringsvooropleiding op meer dan 2,3M ruimtelijke redeneergegevens om te bepalen "waar te handelen" door instructies uit te lijnen met visuele, embodiment-agnostische posities, en (ii) ruimtelijk geleide actie-naopleiding om te beslissen "hoe te handelen" door embodiment-bewuste acties te genereren via plug-and-play ruimtelijke prompting. Dit ruimtelijk geleide trainingsrecept levert consistente verbeteringen op: InternVLA-M1 presteert beter dan zijn variant zonder ruimtelijke begeleiding met +14,6% op SimplerEnv Google Robot, +17% op WidowX, en +4,3% op LIBERO Franka, terwijl het sterkere ruimtelijke redeneervaardigheden demonstreert in voorspellingen van vakjes, punten en sporen. Om het volgen van instructies verder op te schalen, hebben we een simulatie-engine gebouwd om 244K generaliseerbare pick-and-place episodes te verzamelen, wat een gemiddelde verbetering van 6,2% oplevert over 200 taken en 3K+ objecten. In real-world geclusterde pick-and-place verbeterde InternVLA-M1 met 7,3%, en met synthetische co-training behaalde het +20,6% op onbekende objecten en nieuwe configuraties. Bovendien, in langetermijn redeneerintensieve scenario's, overtrof het bestaande werken met meer dan 10%. Deze resultaten benadrukken ruimtelijk geleide training als een verenigend principe voor schaalbare en veerkrachtige generalistische robots. Code en modellen zijn beschikbaar op 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: Een ruimtelijk gestuurd visie-taal-actie raamwerk voor een generalistisch robotbeleid

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

Samenvatting

Support