Ubuntu 24.04+RTX 5090部署OpenVLA-OFT及LIBERO评估实战

这套组合我前前后后折腾了一周，踩了不少坑，终于把 Ubuntu 24.04 + RTX 5090 这台机器从裸机状态，跑通了 OpenVLA-OFT 的部署和机器人任务评估。OpenVLA-OFT 这套视觉-语言-动作模型（Vision-Language-Action Model），核心就是让机器人根据摄像头画面加一句自然语言指令，直接输出机械臂动作，在 LIBERO 这类仿真任务里做评测。整个过程里 RTX 5090 这种最新 Blackwell 架构显卡带来的兼容性问题，比我想象中多得多。我把完整链路拆成六段，照着走基本能复现。

1. 项目背景与整体方案选型

1.1 OpenVLA-OFT 到底解决什么问题

OpenVLA 是开源社区里比较有代表性的 VLA 模型，全称是 Open Vision-Language-Action Model。它的结构可以粗暴理解成三块拼在一起：一个视觉编码器负责看图像，一个大语言模型负责理解自然语言指令并做推理，一个动作头负责把推理结果映射成机器人可执行的动作。你给它输入一张当前摄像头画面和一句“把红色方块放到白色碗里”，它直接吐出一串 7 维动作向量，机械臂照着走就行。

OFT 这个后缀在社区里没有特别统一的官方定义，我个人的理解是 OpenVLA Fine-Tuning and Evaluation Toolkit，也就是围绕 OpenVLA 官方仓库衍生出来的那套微调和评估流程。说白了，光有预训练权重不能直接用在你自己的机器人上，得针对你的任务数据做微调，然后在仿真环境里批量评测效果。这套东西解决的核心问题，就是让没有太多强化学习背景的机器人工程师，也能用模仿学习的方式训出一个“眼睛 + 大脑 + 手”一体的策略。

我这次的任务很明确：在一台全新的 Ubuntu 24.04 系统上部署这套 OpenVLA-OFT，用官方 7B 权重完成 LIBERO 仿真任务评估，验证显卡、驱动、框架版本是否兼容，为后续微调自己的真机数据做准备。听起来不复杂，但过程中遇到的新卡兼容性问题，很多是网上查不到现成答案的。

1.2 为什么偏偏选 Ubuntu 24.04 + RTX 5090

先说系统。Ubuntu 24.04 LTS 是当前长期支持版本，内核 6.8，Python 3.12，软件源里对深度学习相关工具链的更新比较及时。最关键的是，NVIDIA 新一代驱动对 24.04 的支持比 22.04 更友好，尤其是针对 Blackwell 架构消费级显卡，新内核 + 新驱动的组合踩坑概率更低。

再说显卡。RTX 5090 用的是 Blackwell 架构，计算能力（compute capability）是 sm_120。上一代 RTX 4090 是 Ada Lovelace 架构，sm_120 跟 sm_89 之间是断崖式的差异，老版本 CUDA 和 PyTorch 根本不认识这张卡。我见过很多人在 4090 上好好的代码，换到 5090 直接报 “no kernel image available for execution on the device”，就是因为编译出来的 CUDA kernel 不包含 Blackwell 架构的适配。

选这套组合的另一个原因是显存。OpenVLA-7B 是 70 亿参数模型，BF16 精度下权重就要 14GB 左右，加上推理时的激活值和 KV cache，RTX 5090 的 32GB 显存非常从容。如果是 8GB 或者 16GB 的卡，跑 7B 模型会很痛苦，要上量化才能勉强推理。

当然，这套组合的代价也很明显：软硬件都太新，很多第三方库还没有完全适配。我建议如果只是学习 OpenVLA 的推理逻辑，用 RTX 4090 加 Ubuntu 22.04 会更省心；如果想认真跑 7B 模型的微调和长任务评估，RTX 5090 的 32GB 显存优势就体现出来了。

1.3 整套部署链路总览

先给一张我实际采用的版本对照表，后面所有步骤都基于这套组合，如果你用的版本不同，遇到问题可以对照排查：

整条链路是：系统安装 -> NVIDIA 驱动 -> CUDA 工具链 -> Miniconda 环境 -> PyTorch 安装 -> OpenVLA 依赖安装 -> 模型权重下载 -> LIBERO 数据集准备 -> 运行评估脚本 -> 解读指标和可视化结果。

每一个环节都有坑，尤其前两步决定了后面能不能顺利跑起来。我强烈建议你严格按照顺序来，不要想当然地跳过驱动验证直接装 PyTorch，否则后面排查问题时你根本不知道是驱动问题还是框架问题。

2. 基础环境配置：从裸机到深度学习环境

2.1 系统安装与磁盘分区排坑

Ubuntu 24.04 的安装整体没什么难度，下载官方镜像，用 Rufus 或者 Ventoy 做启动盘，U 盘启动后选择 “Install Ubuntu” 就行。但有两个地方需要特别注意。

第一是 BIOS 设置。RTX 5090 这类新显卡强烈建议在 BIOS 里关闭 Secure Boot，同时开启 Above 4G Decoding 和 Resizable BAR。这两个选项通常在 “Advanced” 或 “PCI Subsystem Settings” 里。关闭 Secure Boot 的原因很简单，NVIDIA 官方驱动默认没有微软签名，如果你开着 Secure Boot，驱动安装后需要额外签名才能加载，新手在这里能卡一整天。Resizable BAR 开启后，CPU 可以访问显卡全部显存，对部分推理任务有性能提升。

第二是磁盘分区。如果你是纯深度学习用途，我建议分三个区就够了：/根分区给 100GB 左右，/home占剩余空间，swap给 32GB（特别是你要跑模型微调，内存不够时 swap 能救命）。第一次装的时候我没单独分 swap，后来跑数据预处理时内存吃满，整个系统直接假死，只能强制重启。网上有人建议系统盘用 ZFS 或 Btrfs，追求稳定的话我用的是默认 ext4，省心。

安装完成后进入系统，第一件事就是更新软件源和基础工具：

sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential git curl wget net-tools htop

build-essential里含 gcc、make 这些编译工具，后面装某些 Python 包时需要本地编译，没有它你会在安装阶段收到一堆莫名其妙的报错。

2.2 驱动安装：RTX 5090 必须绕开的两个坑

这是整条链路里最容易翻车的一步。Ubuntu 桌面版安装时可能自带一个开源的 nouveau 驱动，它对 NVIDIA 新卡支持很糟糕，必须禁用掉。另外系统仓库里的nvidia-driver-535之类的老版本驱动不要装，它们根本不支持 RTX 5090。

我推荐的方案是：从 NVIDIA 官网下载最新的.run驱动包手动安装。以 570 系列为例，大致流程是：

# 1. 禁用 nouveau 驱动 sudo bash -c "echo 'blacklist nouveau' >> /etc/modprobe.d/blacklist-nvidia.conf" sudo bash -c "echo 'options nouveau modeset=0' >> /etc/modprobe.d/blacklist-nvidia.conf" sudo update-initramfs -u # 2. 重启后切换到命令行模式，确保图形界面已关闭 sudo systemctl set-default multi-user.target # 3. 在纯命令行模式下执行驱动安装 sudo chmod +x NVIDIA-Linux-x86_64-570.124.06.run sudo ./NVIDIA-Linux-x86_64-570.124.06.run # 4. 装完切回图形界面 sudo systemctl set-default graphical.target sudo reboot

驱动安装程序会问你 “Would you like to register the kernel module sources with DKMS?”，一定要选 Yes，这样后续内核升级时驱动模块能自动重编，不然内核一升级你的显卡驱动就挂了。

第二个坑是安装选项里会提示要不要顺便装 CUDA Toolkit。我全部选 No，因为 CUDA 我打算单独用 conda 或官方 runfile 管理，避免驱动自带的 CUDA 版本和 PyTorch 需要的版本互相污染。

装完后验证：

nvidia-smi

如果能看到这张表，显示 Driver Version 是 570.1xx，说明驱动正常工作了。如果提示No devices were found，大概率是 nouveau 没禁干净，或者 Secure Boot 没关。

2.3 用 Miniconda 搭建隔离的 Python 环境

系统自带的 Python 3.12 能用，但我不建议直接拿来跑 OpenVLA。原因很简单，OpenVLA 的依赖里很多包对 Python 版本有兼容要求，尤其是一些老版本的 PyTorch 相关组件在 3.12 下会有问题。我的做法是用 Miniconda 建一个独立的 Python 3.10 环境。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc conda create -n openvla python=3.10 -y conda activate openvla

为什么不用 Anaconda 全量版？因为大部分深度学习的包我们只通过 pip 安装，Miniconda 更轻量，启动也快。如果你已经装了 Anaconda，也能用，只是环境会稍微臃肿一些。

注意，conda create之后一定要确认python --version输出的是 3.10.x。我遇到过 Conda 环境创建成功但 shell 没有正确激活的情况，命令行里python依然指向系统路径，导致后续 pip 包装错环境。

开发时我习惯用 VSCode 的 Remote SSH 插件远程连到这台机器写代码，配置好 Python 解释器路径指向/home/用户名/miniconda3/envs/openvla/bin/python，省得每次在终端和编辑器之间切来切去。

2.4 CUDA、cuDNN 与 PyTorch 的版本匹配逻辑

很多人以为装完驱动就万事大吉了，其实驱动只是底层的图形和计算接口，PyTorch 真正调用 GPU 计算时依赖的是 CUDA runtime 和 cuDNN。对于 RTX 5090 这种 sm_120 架构的卡，CUDA 版本必须 >= 12.8，PyTorch 也必须用对应 cu128 或更新版本的预编译包。

我的安装顺序是这样的：先用 NVIDIA 官方的 runfile 安装 CUDA Toolkit 12.8 到/usr/local/cuda-12.8，然后配置环境变量：

export PATH=/usr/local/cuda-12.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-12.8/lib64:$LD_LIBRARY_PATH

把这两行加到~/.bashrc里。你可能会问，PyTorch 的 pip 包不是自带 CUDA runtime 吗？确实自带，但 OpenVLA 里有些自定义算子需要本地编译，编译时要用到 nvcc 编译器，没有系统级 CUDA Toolkit 会直接报错。

接下来安装 PyTorch。这是整个环境配置中最关键的一步，不能装默认源里的torch，默认版本通常不带 CUDA 支持或用的是老 CUDA：

pip install torch==2.7.0 torchvision==0.22.0 --index-url https://download.pytorch.org/whl/cu128

装完立刻验证一下显卡识别情况：

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_capability())"

如果输出True和(12, 0)，说明 PyTorch 正确识别了 sm_120 架构。如果此时报错no kernel image is available for execution on the device，不用怀疑，一定是 PyTorch 版本太老，回到上一步升级。

cuDNN 我用的是 pip 直接装 NVIDIA 的独立包，省得手动拷贝文件：

pip install nvidia-cudnn-cu12

注意，如果你的 PyTorch wheel 已经依赖了 cuDNN，这一步不是必须的，但后续某些自定义算子或 TensorFlow 类工具可能还需要，装了更保险。

3. OpenVLA-OFT 模型部署与权重准备

3.1 拉取项目与安装依赖

环境基础打好了，接下来进入正题。OpenVLA 的官方仓库是 openvla/openvla，我这里说的 OpenVLA-OFT 流程，可以理解成这个仓库的完整落地实践。

git clone https://github.com/openvla/openvla.git cd openvla pip install -e .

pip install -e .会读取setup.py里的依赖列表并安装。这一步需要耐心等待，可能要编译一些本地组件。如果中途报错，一定要仔细看是哪个包失败。我遇到的一个典型问题是系统缺少libgl1，导致 OpenCV 的某些依赖装不上：

sudo apt install -y libgl1 libglib2.0-0

还有一个高频坑是 numpy 版本冲突。OpenVLA 的依赖里一些老包在 numpy 2.x 下会崩，建议先在环境里固定 numpy 版本：

pip install "numpy<2"

如果你打算用 Flash Attention 加速，可以额外编译安装，但这步我要警告你：在 RTX 5090 这种新架构上，Flash Attention 的源码编译很可能失败，因为它的 kernel 还没有针对 sm_120 适配好。我实测下来，OpenVLA-7B 生成的动作序列很短，Flash Attention 带来的加速有限，不用它也能跑，所以果断放弃了。

3.2 模型权重下载与文件结构

OpenVLA-7B 的权重托管在 Hugging Face 上，仓库名是openvla/openvla-7b。下载前需要先注册账号并同意模型许可协议，然后通过 huggingface-cli 下载：

pip install huggingface_hub huggingface-cli login huggingface-cli download openvla/openvla-7b --local-dir ./openvla-7b

如果你不想登录命令行，也可以直接在网页上点下载按钮，把整个目录下载下来。模型目录里核心文件是这几个：

下载完成后建议先看一眼目录大小，du -sh ./openvla-7b，如果只有几百 MB，说明权重文件没下全，多半是网络问题导致中断。我一开始就吃过这个亏，模型加载时报错找不到某个张量，排查了半天最后发现是权重文件不完整。

3.3 模型加载与推理动作解码

OpenVLA 官方提供了非常简洁的加载方式，基于 Transformers 库的AutoModelForVision2Seq。下面是我实际验证过的最小推理代码：

import torch from transformers import AutoModelForVision2Seq, AutoProcessor model_id = "./openvla-7b" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForVision2Seq.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="cuda" ) image = load_image("test.png") # 假设这里是你的摄像头画面 prompt = "pick up the red block and place it in the bowl" inputs = processor(image, prompt, return_tensors="pt").to("cuda", torch.bfloat16) gen_outputs = model.generate( **inputs, max_new_tokens=32, do_sample=False )

注意，OpenVLA 的generate输出的并不是最终动作，而是一串离散的 token。动作解码这一步是新手最容易迷惑的地方。简单讲，OpenVLA 把连续动作空间离散成了 256 个 bins，每个动作维度对应一个 token，模型实际上做的是一个分类任务，输出 token 后再通过查表还原成连续的机器人动作值。另外还会输出一个额外的 token 表示是否终止。

官方仓库里提供了get_action这样的封装方法，它把 generate 结果自动解析成(action, action_token)的格式。我建议你直接调用官方方法，不要自己重新实现，一是避免边界情况 bug，二是官方实现已经处理好了维度对齐和标准化逻辑。

3.4 前向推理的显存与速度实测

在 RTX 5090 上加载 OpenVLA-7B，BF16 精度下显存占用大概是 14GB 到 16GB，比预期小很多。单步推理（生成 7 个动作 token）速度大约在 0.12 到 0.25 秒之间，具体取决于是否开了缓存和输入图像分辨率。

我强烈建议你在正式评估前先跑一次单次推理，确认整条链路通顺。如果这一步能出动作向量，说明模型部署成功，后面评估只是脚本参数的问题。很多人在这一步就失败，99% 的可能是版本问题——要么 PyTorch 不支持显卡，要么 Transformers 版本和模型配置不匹配。Transformers 版本方面，官方 requirements 锁定的是 4.44.x，不要为了追新随便升级，升级后可能某个 API 变了导致加载失败。

4. 机器人任务评估实操流程

4.1 理解 LIBERO 基准与任务类型

模型部署完，真正的重头戏是评估。OpenVLA 官方用得最多的评估基准是 LIBERO，这是一个基于 MuJoCo 模拟器的机器人长期任务基准，专门用来测 VLA 模型在语言条件、空间关系、目标泛化三个维度上的表现。LIBERO 包含四个主流任务套件：libero_spatial（空间关系理解）、libero_object（物体识别）、libero_goal（目标状态理解）、libero_10（10 个长程任务）。

每个任务套件里都有若干条任务描述，比如 “pick up the red block and place it on the wooden table” 这样的自然语言指令。仿真环境会给出一个初始状态，机器人需要连续执行多步动作，最后判断是否达成了任务目标。评估指标最核心的就是成功率（Success Rate），也就是所有 evaluation episodes 里成功完成的比例。

安装 LIBERO 依赖很简单：

pip install libero

但要注意，LIBERO 的数据集需要单独下载。官方推荐你设置环境变量LIBERO_DATASET_PATH指向数据集目录。数据文件是 HDF5 格式，包含了每个 episode 的初始状态、动作轨迹、语言指令。下载后我习惯先解压看一眼目录结构，确认没有缺文件，因为 LIBERO 数据量不小，中断下载会导致某个任务文件损坏。

4.2 评估脚本运行与关键参数解读

OpenVLA 官方仓库里提供了现成的评估脚本，路径在experiments/robot/eval/eval_libero.py。我实际运行时的命令是：

cd openvla python experiments/robot/eval/eval_libero.py \ --model_family openvla \ --model_path ./openvla-7b \ --task_suite libero_spatial \ --batch_size 8 \ --use_bf16

几个参数值得展开讲。--model_path可以传 Hugging Face 仓库 ID，也可以传本地路径，我建议用本地路径，避免评估过程中反复请求网络。--task_suite指定任务套件，第一次先跑libero_spatial，因为它 episode 数量少，方便快速验证整个流程。--batch_size决定并行 rollout 的数量，RTX 5090 显存大，开到 8 没问题；如果你的显存小，记得调低，否则会 OOM。

脚本运行后会经历一段模型的加载和 warmup，然后进入正式的 rollout 循环。每个 episode 里，仿真环境会重置初始状态，模型接收当前观测图像和语言指令，输出动作，执行动作后返回新的观测，循环直到任务成功或达到步数上限。这个过程非常直观，你能看到终端里不断刷新的每一步信息。

评估结果会以 JSON 格式保存在results/目录下，包含每个任务的成功标志和完整统计。我建议跑完一次后立刻打开 JSON 文件看一下，不要等到所有套件跑完再检查。

4.3 结果指标解读：成功率、平均步数与随机种子

评估完成后，终端会打印类似这样的汇总：

Success Rate: 0.82 Average Episode Length: 34.6

这个 0.82 意味着 82% 的任务成功完成了。OpenVLA-7B 基座模型在 LIBERO 上的成绩有高有低，不同任务套件差异很大，libero_spatial上可能超过 80%，但libero_10长程任务上会明显下降。

只看成功率不够，还要看平均 episode 长度。如果一个策略成功率很高但平均步数远超人类水平，说明它在任务里表现得犹豫或走了很多弯路，这对真机部署时的执行效率是有影响的。另外，强烈建议同一个任务套件跑多个随机种子取平均。LIBERO 的初始状态有随机性，单次评估的方差可能很大，跑 3 到 5 个不同 seed 后才能得到稳定结论。

我自己实际跑完libero_spatial和libero_object后，明显感觉到空间类任务的成功率高于长程任务，这和 OpenVLA 论文里报告的趋势一致。如果你要比较不同微调策略的效果，务必固定 seed、固定评估脚本版本、固定任务套件，否则比较出来的差异根本不可信。

4.4 生成可视化结果与失败案例分析

评估脚本支持把每个 episode 的 rollout 过程保存成视频。运行时加一个参数即可：

python experiments/robot/eval/eval_libero.py \ --model_family openvla \ --model_path ./openvla-7b \ --task_suite libero_spatial \ --save_rollout_videos

视频会保存在results/下的对应目录里。我强烈建议你一定要打开视频看看，尤其是失败案例。很多时候指标数字一样，但失败的方式天差地别：有的模型是拿错了物体，有的是动作执行到一半卡住，有的是语言指令理解错误。只看成功率根本无法定位模型的问题到底出在哪个环节。

这里有个实用技巧：把成功和失败的 rollout 视频分目录存放，然后在终端里用 VLC 或 mpv 按顺序播放。我就发现某个任务成功率低，是因为模型在目标物体被遮挡的时候反复尝试抓取遮挡物，这说明视觉编码器对遮挡场景的泛化能力不足，而不是动作预测的问题。这种结论只有看视频才能得出。

5. 常见问题排查与性能调优实录

5.1 RTX 5090 专属问题：sm_120 与 CUDA 版本不匹配

我在调试过程中最常遇到的错误就是：

RuntimeError: CUDA error: no kernel image is available for execution on the device

这个错误 100% 是因为编译当前代码时用的 CUDA 版本或 PyTorch 版本不支持 Blackwell 架构。解决思路只有一条：升级。先把 NVIDIA 驱动升到 570+，再把 PyTorch 换成 cu128 版本，基本上就能解决。如果你是在源码编译某个自定义算子时遇到这个报错，那就要检查 CUDA Toolkit 版本和TORCH_CUDA_ARCH_LIST环境变量。

我的建议是在环境变量里显式指定：

export TORCH_CUDA_ARCH_LIST="12.0"

这样编译自定义算子时，编译器会针对 Blackwell 架构生成对应的 kernel，避免生成一堆你用不上的老架构代码，编译时间也能缩短。

5.2 显存不足与并发批次调整

OpenVLA-7B 基座模型其实不太容易把 32GB 显存吃满，但如果你的观测图像分辨率很高，或者你同时加载了多个模型，还是会遇到 OOM。评估时最容易触发 OOM 的地方是model.generate阶段，尤其是max_new_tokens设得过大。OpenVLA 的动作序列一般不超过 10 个 token，我建议设置为 32 已经足够，不要学 NLP 任务那样设成 1024。

显存不够时，最优先的调整是减小--batch_size，从 8 降到 4 或 2。其次是确认模型以 BF16 加载，而不是 FP32。如果你还想压显存，可以把输入图像从 336x336 缩到 224x224，但要注意这可能导致视觉理解精度下降，成功率会有波动。

还有一个小技巧是养成用nvidia-smi监控显存的习惯。评估跑一半时另一个终端执行watch -n 1 nvidia-smi，能实时看到显存占用曲线，预先判断峰值会不会爆。我遇到一次系统假死，就是没看显存，16GB 的小卡硬跑了 4 个并行 rollout。

5.3 推理速度优化：量化与编译取舍

评估 LIBERO 任务时，一台 RTX 5090 跑完整套libero_spatial大概需要几十分钟到两个小时，主要瓶颈是模型前向推理和 MuJoCo 仿真环境的交互。如果想提速，可以从几个角度入手。

第一，使用torch.compile对模型进行编译优化。OpenVLA 仓库里有个--compile参数，开启后第一次运行会编译很久，但之后推理速度可能提升 20% 到 40%。我实测下来，在 RTX 5090 上编译是能成功的，但你得确保 PyTorch 版本足够新，老版本对 Blackwell 的编译支持不够。

第二，考虑量化。OpenVLA 社区里有人用 AWQ 或 GPTQ 量化版本，可以把显存占用降到 8GB 以下，推理速度也有提升。但我个人不推荐在评估阶段用量化模型，因为量化会不可避免地损失动作预测精度，成功率可能会有几个点的波动。你最终要是做真机部署，可以在评估阶段用 BF16，部署阶段再量化。

第三，模型常驻显存，不要每次评估都重新加载。如果你要跑多个任务套件，写脚本时把 model 加载放在循环外，只换数据集和任务指令。别问我为什么提这个，我一开始就是每跑一个套件重新加载一次权重，白白浪费了大量时间。

5.4 依赖冲突与数据加载问题速查

OpenVLA 的依赖不少，实际安装和运行中会碰到各种小问题，我把最典型的整理成一个速查表：

这些坑单独看都不难解决，但一旦在你跑评估到一半时冒出来，打断的节奏非常难受。我后来想了个办法：先把所有依赖问题在跑单次推理时排干净，再开始正式评估。单次推理不涉及仿真环境，但仍然覆盖模型加载、图像处理、动作输出这几个核心环节，作为冒烟测试非常有效。

6. 这次实战留下的几点体会

折腾完这一整套 Ubuntu 24.04 + RTX 5090 下的 OpenVLA-OFT 部署和评估，最大的体会是：新硬件 + 新模型的组合，一定要有“版本洁癖”。驱动、CUDA、PyTorch、Transformers 这四个组件的版本必须严格配套，少一个都不行。建议先照着一套验证过的稳定组合跑通全流程，再考虑升级某个组件。我踩了好几次“升级一个包导致另一个包崩掉”的循环，最后干脆全部按官方 requirements 锁定版本，世界才安静下来。

另外还有两个实用小技巧。第一个，如果实验室的散热条件一般，可以给 RTX 5090 设置功耗限制，nvidia-smi -pl 450把它从默认 575W 降到 450W，性能损失很小但发热和噪音明显改善。第二个，评估时固定所有随机种子，包括 numpy、torch、Python random 和 LIBERO 环境本身的 seed，这样不同机器之间的结果才有可比性。

最后说句实话，OpenVLA 这类 VLA 模型在 LIBERO 仿真上跑出漂亮成功率，只是第一步。仿真环境里观测是干净的、动作是理想的，真机上的相机标定误差、机械臂控制延迟、物体抓取的不确定性，每一项都会让成功率大打折扣。但先把仿真评估流程跑通，至少能帮你把模型选型、微调方向、超参偏好这些更高层的问题确认下来。接下来我打算用这套环境，基于自己采集的真机数据做 OpenVLA-OFT 微调，到时候再把数据清洗和微调训练的经验整理出来。