WALL-OSS-0.5

WALL-OSS-0.5 to otwarty (open-source) model wizualno-językowo-akcyjny (VLA) opracowany przez X Square Robot (自变量机器人, Shenzhen) i udostępniony 28 maja 2026 r. Należy do serii modeli bazowych WALL i jest rozwinięciem wcześniejszego WALL-OSS. Hasło modelu brzmi „Pretrain Once, Act Anywhere” — model jest gotowy do wdrożenia bezpośrednio z wytrenowanego checkpointu, bez dostrajania pod konkretne zadanie.

Model liczy około 4 mld parametrów i jest zbudowany na bazie modelu wizualno-językowego (VLM) o skali 3 mld parametrów, uzupełnionego o komponenty generowania akcji. W treningu dyskretne tokeny akcji kształtują backbone VLM, na etapie inferencji akcje ciągłe dostarcza mechanizm flow matching, a ugruntowane dane multimodalne zachowują priory wizualno-językowe (co-training z „mostkowaniem gradientów”).

WALL-OSS-0.5 wytrenowano na danych z ponad 20 typów robotów, milionach trajektorii oraz korpusie multimodalnym liczącym ok. 90 mln pozycji. Na wejściu przyjmuje obraz, dane sensoryczne i stan robota oraz instrukcje w języku naturalnym, a na wyjściu generuje ciągłe akcje sterujące. Model osiąga nietrywialne wyniki zero-shot na zestawie 17 zadań oraz średni postęp zadania 60,5% na 15 zadaniach na realnych robotach (po dostrajaniu).

Model jest udostępniony na licencji Apache-2.0 wraz z wagami, kodem i narzędziami (GitHub, Hugging Face). Pozwala to na komercyjne i niekomercyjne użycie, samodzielne uruchamianie oraz dostrajanie na różnych ucieleśnieniach robotów.