VLA模型是什么？一个词条讲明白

VLA 模型（Vision-Language-Action Model，视觉-语言-动作模型），是当前机器人领域最受关注的一种 AI 大脑。

名字看着唬人，拆开就三个词：视觉（看懂摄像头画面）、语言（听懂人说的话）、动作（决定身体怎么动）。一个 VLA 模型能同时做这三件事，把”看到的”和”听到的”直接翻译成”要做的动作”。

想象你雇了个新帮手，你说”把桌上那杯红色的杯子递给我”，它扫一眼桌面，认出红杯子，伸手端起，绕开障碍递到你手上——这一套流畅操作的背后，就是 VLA 模型在干活。

它新在哪？以前的机器人是”编程作业”：工程师要提前写好每一步——前进几厘米、爪子张合多少度，环境一变就歇菜。而 VLA 模型靠海量数据”学”出来的通用能力，见到没见过的东西也能试着应付，就像人换张桌子照样会端杯子。

在 2026 年的人形机器人发布会上，”搭载 VLA 模型”已经成了高频词，业内普遍认为它加上机器人的身体，就是具身智能的核心拼图。

代表性模型分两路：

闭源代表（谷歌 DeepMind）：RT-2（2023-07 发布，55B 参数，基于 PaLI-X/PaLM-E）→ RT-2-X（55B，Open X-Embodiment 训练，权重未公开）→ RT-H（DeepMind 内部，闭源）；新一代为 Gemini Robotics（2024–2025 年持续更新）。
开源代表：OpenVLA 7B（2024-06，斯坦福+伯克利，Llama 2 7B+DINOv2+SigLIP，MIT 许可）、Octo（伯克利开源基座）、π-0（Physical Intelligence）。

主流人形机器人厂商的自研 VLA/世界模型命名：

简单记：VLA 模型=机器人的”眼耳手”翻译官。相关词条可看本站《什么是具身智能》。