VLA
VLA（Vision-Language-Action Model）把视觉观察、语言指令与机器人动作连接起来的模型。它需要输出可用于控制的动作表示，而不只是文字回答。
如何理解
VLA 让模型根据看到的场景和任务指令预测动作。RT-2 将动作表示成输出 token；OpenVLA 也将预测的动作 token 解码为连续动作。动作的具体含义需要与机器人的控制接口对应。
语言和视觉预训练提供了可利用的表征，机器人数据则建立观察、指令与动作之间的联系。适配新的机器人或任务仍可能需要额外数据与微调；理解一个词语，并不能直接保证完成对应的操作。
容易混淆的地方
VLA 是模型路线，不等于整个具身智能系统。能够看图生成操作建议的视觉语言模型，也不会仅因回答里出现动作词就成为 VLA。