文档摘要

3.1 具身基础模型与 VLA 本节摘要：大模型在语言和视觉上很强，但直接用来控制机器人不行——它不懂动作。视觉-语言-动作模型（Vision-Language-Action，VLA）就是为了补上“动作”这一环而出现的具身基础模型。本节讲 VLA 的架构（同时吃图像、语言、输出动作）、它怎么继承大模型的理解能力、以及训练它需要什么数据。VLA 是让机器人理解开放指令、泛化到新场景的关键方向。 会员。《3.1 具身基础模型与 VLA》收录于灏天文库文集《具身智能 (Embodied AI)》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/651-%E5%85%B7%E8%BA%AB%E6%99%BA%E8%83%BD-embodied-ai

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流