VLA视觉-语言-动作模型
VLA即视觉-语言-动作模型，是以图像和语言指令为输入、输出机器人动作的AI模型。
1篇文章
最近提及 VLA（视觉-语言-动作）模型能够同时理解摄像头图像和自然语言指令，并直接生成关节位置、运动轨迹等机器人动作。常见做法是在处理视觉和语言的大模型基础上，再用机器人动作数据进行训练。
与处理语言和图像的视觉-语言模型不同，其输出是物理动作。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误，请通过更正请求告诉我们。
VLA即视觉-语言-动作模型，是以图像和语言指令为输入、输出机器人动作的AI模型。
VLA（视觉-语言-动作）模型能够同时理解摄像头图像和自然语言指令，并直接生成关节位置、运动轨迹等机器人动作。常见做法是在处理视觉和语言的大模型基础上，再用机器人动作数据进行训练。
与处理语言和图像的视觉-语言模型不同，其输出是物理动作。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误，请通过更正请求告诉我们。
AIPOST是一家报道AI应用方法、AI安全、性能、创业、健康、伦理与行业资讯的AI专业媒体。无需注册即可使用，个人信息的处理方式请参阅隐私政策。