点击下方 卡片 ，关注" 具身智能 之心 "公众号 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 当机器人 "看懂" 指令还能 "自主干活"：大型 VLM 如何改写机器人操作的游戏规则？ 你是否想象过这样的场景：对着机器人说一句 "把阳台晾干的衬衫叠好放进衣柜第三层"，它就能看懂衣物位置、理解 "叠好""放进" 的动作逻辑，甚至避开衣柜里的 杂物完成任务？放在几年前，这更像科幻电影里的情节 —— 传统机器人要么困在 "预定义任务牢笼" 里，换个新杯子就认不出；要么面对模糊的自然语言指令 "手 足无措"，更别提在杂乱的真实环境里灵活调整动作。 但现在，一场由 "视觉 - 语言 - 动作（VLA）模型" 掀起的变革，正在打破这些局限。而这场变革的核心推手，正是我们如今耳熟能详的大型视觉语言模型 （VLM）。 过去，机器人操作的研究总在 "模块化陷阱" 里打转：视觉识别、语言解析、动作控制各成一派，像被割裂的齿轮，很难协同运转。直到大型 VLMs 的 ...