VLA 模型

VLA（Vision-Language-Action）模型兴起于具身智能浪潮，背景是视觉语言模型（VLM）已具备强大的图文理解能力，但无法驱动机器人执行任务。其技术路线通常以预训练 VLM 为骨干，将图像观测与自然语言指令编码为多模态表征，再通过动作解码头或扩散策略生成连续控制信号，并在机器人示教数据上微调。代表性工作包括 RT-2、OpenVLA 等，目标是让机器人听懂人话、看懂场景并直接行动。