WALL-OSS 是自变量机器人（X Square Robot）开源的端到端 VLA 具身基座模型，训练与推理代码、模型权重全套公开，官方称单张消费级显卡即可完成从训练到部署的全流程。本页参数整理自其 GitHub 仓库、Hugging Face 权重页与媒体报道，供具身智能团队选型评估。

关键参数（公开口径）

参数 规格
模型类型 端到端视觉-语言-动作（VLA）具身基座模型
参数规模 约 4.2B（媒体报道口径）
视觉语言主干 Qwen2.5-VL 系列（代码中以 Qwen2.5-VL 类加载，仓库 README 口径）
架构特点 共享注意力+专家分流框架；flow-matching 与 FAST 两种动作分支（GitHub）
版本 WALL-OSS-0.5（2026-05）、WALL-OSS-FLOW、WALL-OSS-FAST 等权重均已发布
预训练数据 官方称基于大规模真机数据，覆盖 20 余种具身形态（媒体口径）
许可 代码仓库 Apache-2.0（GitHub 口径）
配套工程 LeRobot 数据格式转换与微调模板、FSDP 训练、LIBERO 评测、WebSocket 推理服务
部署门槛 据媒体报道可在单张 RTX 4090 上完成全流程

本表为公开资料整理，以官方仓库最新发布为准。

产品定位与技术要点

WALL-OSS 的差异化主张是「部署导向的预训练」：据量子位等媒体报道，其训练范式不采用「先训 VLM 主干、再挂动作专家」的分层隔离做法，而是在预训练阶段统一优化语言、视觉、动作的端到端生成，官方称预训练即可直接部署对标后训练效果——性能表述来自厂商与媒体，采用前建议按自有任务复测。技术报告见 arXiv:2509.11766。

对工程团队而言，其实用价值在配套工程栈：GitHub 仓库 wall-x 提供训练与推理代码、LeRobot 数据转换脚本、LIBERO 评测与 WebSocket 服务化部署，采用 Apache-2.0 许可。与同类开源模型相比属于「模型+工具链一起开源」的路线，上手成本主要在数据质量而非工程适配。

适用场景

  • 机器人操作任务的 VLA 微调与部署：用自有真机数据在开源权重上继续训练（见具身智能转型专题）
  • 具身智能算法研究与基准评测：兼容 LIBERO 与 LeRobot 生态，可与 π0 同基准对比
  • 多本体策略迁移探索：官方称预训练覆盖 20 余种具身形态，可做跨本体适配实验（参考 AgiBot World）

同类产品与选型

开源 VLA 基座同档对比：Physical Intelligence π0（flow-matching 路线同源）、智元 GO-1（随 AgiBot World 开源的数据-模型闭环路线）。选型建议按「任务匹配度+许可+算力门槛」三项排：WALL-OSS 的 Apache-2.0 许可与单卡部署宣称对中小团队较友好，效果以自有任务实测为准。品类全景见软件平台主题。

来源与核验