Vision-Language-Action

VLA 是什么？为什么机器人落地一谈到行动控制就绕不开 Vision-Language-Action

VLA 是 Vision-Language-Action 的缩写，直译就是“视觉-语言-动作”模型。它和普通多模态模型最大的不同，不只是能看图、懂文字，而是最后还要把理解结果变成可执行动作。也正因为多了这一步，VLA 现在几乎成了机器人和具身智能讨论里绕不开的关键词。 如果说传统视觉语言模型的输出大...