模型
VLA（视觉-语言-动作模型）
VLA（视觉-语言-动作模型）是融合视觉感知、语言理解和动作生成的AI模型，解决机器人从多模态输入到物理动作的映射问题。典型应用包括具身智能和机器人操控，代表工作如RT-2和PaLM-E。
详细解释
VLA模型基于大规模预训练，将视觉和语言表征对齐到动作空间。例如，RT-2将视觉-语言模型（VLM）与机器人动作令牌结合，实现端到端控制。VLA使机器人能理解自然语言指令并执行复杂任务，如“把红色积木放到蓝色盒子”。挑战包括数据稀缺和实时性。
别名与相关写法
vlaVLA视觉-语言-动作模型Vision-Language-Action Model视觉语言动作模型
相关术语
相关公司
相关资讯
美图披露 MVLAND 净流水 ARR 近 85 万美元2026/10/27
Kevlar 开源 MCP 防火墙，拦截提示注入与凭证窃取2026/10/25
世界模型与VLA：如何让机器人拥有真正的具身大脑2026/10/16
SpikingVLA 发布：异步脉冲视觉语言动作模型2026/10/8
PAIR：打通视觉-语言-动作模型的感知与行动2026/10/8
ConflictVLA-Bench：VLA 前提冲突行为基准2026/9/29
面向分块VLA模型的时频几何交叉注意力2026/9/10
轻量化异构双臂结合 VLA 与世界模型，家庭服务机器人落地实践2026/10/28