技术干货：VLA(视觉-语言-动作)模型详细解读（含主流玩家梳理）

温馨提示 ： 点击下方图片，查看运营团队2025年6月最新原创报告（共235页） 说明： 欢迎约稿、刊例合作、行业人士交流 ， 行业交流记得先加入 "机器人头条"知识星球 ，后添加（ 微信号：lietou100w ） 微信； 若有侵权、改稿请联系编辑运营（微信：li_sir_2020）； 正文： 早期小编整理文章 【技术干货】"具身智能 "技术最全解析 ， 本篇文章重点解读现阶段大火的 视觉-语言-动作 (VLA)模型， 一种整合视觉（Vision）、语言（Language）和动作（Action）的多模态模型 。 2022年，Google和CMU相继推出"SayCan"、"Instruct2Act" 工作，Transformer模型既看图、又读指令、还能 生成生成动作轨迹成为可能；2023年，随着谷歌DeepMind推出RT-2模型，机器人可以端到端地从给定的语言指 令和视觉信号，直接生成特定的动作，具身智能领域也迎来了一个新名词： VLA（Vision-Language-Action Model，视觉-语言-动作模型）。 VLA模型的整体框架可以被视为VLM与端到端模型的结合体，也被看作是端到端大模型2.0 ...