视觉-语言-动作模型

它到底是什么意思

端到端解决「从场景到轨迹」，VLA 想解决的是「从语义意图到轨迹」——比如理解「前面在修路」「那是校车」这类需要世界知识的判断。

代价是量产验证链路在所有方案里最长：语义理解的失败模式比几何感知更难穷举，也更难写进评测集。

机制图解

容易搞混的地方

看懂之后可以追问

1. VLA 带来的具体是哪一类场景的提升？能不能给两个现在解决不了的 case？VLA 容易变成技术叙事。要求给出具体失败 case，才能判断它是不是当前阶段该投的方向。
2. 语义理解出错时怎么兜底？谁来判定它理解错了？语义错误往往不会报错，只会给出一个自信而错误的动作，兜底机制比模型本身更关键。

沿着主线继续

先知道

• 一段式——感知、预测、规划在统一表征里联合优化，直接输出轨迹——上限更高，但难 debug、难闭环验证。