OpenVLA以Llama 2语言模型为基础，结合了融合DINOv2和SigLIP预训练特征的视觉编码器。通过现代低秩自适应方法，OpenVLA可在消费级GPU上进行微调，并通过量化实现高效部署，且不会降低下游任务成功率。Prismatic VLM 是一个「通用视觉-语言模型骨架」，用于把图像 + 语言 → 映射到统一 token 序列空间，具体流程如下：图像 patch (补丁) → visua