VLA学习笔记 2025

VLA模型(具身智能入门十) Vision Language Action(VLA)模型VLA模型是机器人领域的“感知-理解-执行”一体化框架,通过Transformer架构融合视觉、语言、动作模态,核心目标是让机器人在自然语言驱动下,自主完成复杂操控任务。其定义的核心在于“跨模态统一”与“具象化行动”——不仅能“看懂”“听懂”,更能“做出正确的动作”,是实现通用机器人智能的关键方向。提供通用序列建模骨架,让视觉、语言、动作能以“序列”形式统一处理;ViT将视觉输入转换为序列特征,提供“看”的能力;LLMs。 阅读详情

目录

VLA = Vision-Language-Action 视觉语言和 动作

✅ VLA 算法在机器人的关键任务

✅ 行业应用方向

✅ 代表性开源项目 / 论文

✅ 技术关键点

Vision-Language Alignment(VLA),视觉-语言对齐技术

如果你指的是 Vision-Language Alignment(VLA),即视觉-语言对齐技术,那么它的核心任务是:

✅ 一、VLA 的典型算法应用场景:

✅ 二、主流模型/算法(视觉-语言对齐 VLA)

✅ 三、常见算法技术点(VLA 背后用到的)

✅ 四、实际应用案例

✅ 总结


VLA = Vision-Language-Action 视觉语言和 动作

这是当前机器人研究中的一个核心概念:

将 视觉(Vision)、语言(Language) 和 动作(Action) 结合起来,使机器人能够 “看得懂、听得懂、做得对”。


✅ VLA 算法在机器人的关键任务

场景描述示例算法 / 技术
🧠 愿望执行(Instruction Following)机器人执行语言指令,如“把红色杯子放到桌上”SayCan(Google)、RT-2(Open Robotics Transformer)
🎯 目标导航(Vision-Language Navigation)根据语言指令在真实或虚拟空间中导航VLN-BERT, R2R, EnvDrop
📦 操作任务(Embodied Manipulation)根据语音/文字指令完成夹取、推拉等动作PaLM-E, VIMA, RT-1
🏠 家庭助理机器人执行自然语言指令完成家庭任务RT-2, My Robot Builds
🤖 多模态控制图文多模态条件下的策略学习Gato, VLA-M, VIMA
🧭 模拟器训练在虚拟环境中训练“感知-理解-行动”闭环Habitat, iGibson, RoboTHOR


✅ 行业应用方向

行业VLA 应用场景示例
🔬 智能制造通过语言指令控制工业机械臂自动组装、筛选、搬运“把 3 个蓝色零件装入托盘”
🏠 智能家居家庭机器人接收语言指令完成打扫、做饭、拿物“帮我把遥控器放到沙发上”
🚗 自动驾驶语言辅助驾驶、复杂路况交互“在下一个红绿灯右转”
📦 物流机器人图文指令调度无人搬运车、分类拣货“去 B 区取出带红标签的箱子”
🏥 医疗/护理机器人理解语言与视觉信息协助患者“请扶我到病床边”
👨‍🏫 教育陪伴机器人多模态交互 + 动作控制实现学习互动“请帮我找红色的拼图块”


✅ 代表性开源项目 / 论文

名称发布机构简介
RT-2Google DeepMind将 Vision-Language 模型接到机器人上,端到端执行语言指令
PaLM-EGoogle Research多模态大模型 + 机器人体感任务整合(Embedding + Control)
VIMAMIT + NVIDIA仅用图文指令训练机器人完成多种操作
SayCanGoogle把语言模型输出映射到可执行的机器人动作
GatoDeepMind通用智能体模型,统一处理图文语言与动作决策


✅ 技术关键点

  1. 视觉理解(Vision):识别场景、物体、颜色、位置等

  2. 语言理解(Language):解析人类指令、任务目标

  3. 动作映射(Action):将指令转化为低级动作执行(抓取、移动、导航)

  4. 多模态对齐:构建 vision-language-action 三元统一语义空间

  5. 策略学习(RL / BC):通过模仿学习或强化学习执行任务

Vision-Language Alignment(VLA),视觉-语言对齐技术

如果你指的是 Vision-Language Alignment(VLA),即视觉-语言对齐技术,那么它的核心任务是:

在图像/视频和自然语言之间建立对应关系。


✅ 一、VLA 的典型算法应用场景:

应用说明相关算法
🖼️ 图文检索给定图片找描述,给定描述找图CLIP, BLIP, ViLT
🧠 图文匹配判断图和文本是否对应CLIP, UNITER, LXMERT
🗨️ 图像描述生成看图说话,自动生成描述BLIP, OFA, Flamingo
💬 图像问答 VQA看图回答自然语言问题LXMERT, METER, GIT
🔍 多模态检索多模态信息互查互补ALIGN, Florence
📽️ 视频理解对视频内容进行语言描述VideoCLIP, Flamingo, Video-BLIP


✅ 二、主流模型/算法(视觉-语言对齐 VLA)

模型名特点应用场景
CLIP(OpenAI)用对比学习同时训练图像和文本 encoder,做 embedding 对齐图文检索、零样本分类
ALIGN(Google)类似 CLIP,支持更大规模图文对齐训练多语言图文理解
BLIP / BLIP-2支持图文理解 + 图文生成(看图说话、问答)图文生成、推理
UNITER / LXMERT图文交叉注意力 TransformerVQA、图文推理
OFA(One For All)多模态统一框架:captioning / VQA / classification图文生成和理解
GIT / Flamingo强调生成型图文对齐能力,支持连续视觉输入视频问答、图文生成


✅ 三、常见算法技术点(VLA 背后用到的)

  1. 对比学习(Contrastive Learning):如 CLIP 中 image-text 对齐

  2. 跨模态 Transformer(Cross-modal Attention):如 LXMERT/UNITER

  3. 共同编码空间(Shared Embedding Space):把图像和文本编码到同一空间

  4. 视觉前缀建模(Prefix Tuning):图像作为语言生成的“前缀”

  5. 多模态对齐损失(e.g., ITC, ITM):用于训练阶段的监督信号


✅ 四、实际应用案例

公司/组织使用场景
OpenAI CLIPDALL·E 图文生成 / ChatGPT 插图理解能力
Google ALIGN多语言图文搜索 / 图像问答
Meta ImageBind跨模态大模型统一(图、文、音频)
微软 BLIP-2图像理解 + 图文问答 / Visual ChatGPT


✅ 总结

VLA(视觉-语言对齐) 是实现图文匹配、检索、生成、问答等多模态 AI 能力的核心。主流方法有 CLIP、BLIP、ALIGN 等,广泛用于跨模态任务和大模型视觉接口。

具身专栏(二)| 具身智能中VLA、VLN分类与发展线梳理 这类模型通常用于反应式控制场景和操作任务,在这些场景中,感知到动作的直接映射至关重要。基于多模态大型语言模型 (MLLM) 的方法利用大型基础模型的功能进行具身推理、规划。针对以上模型在后续的专栏都会开单独的文章来对其工作进行单独撰写,欢迎大家关注,转发。针对以上模型在后续的专栏都会开单独的文章来对其工作进行单独撰写,欢迎大家关注,转发。针对以上模型在后续的专栏都会开单独的文章来对其工作进行单独撰写,欢迎大家关注,转发。这些模型处理视觉输入和语言指令,以在现实世界中生成适当的物理动作。 阅读详情

相关推荐

智驾领域VLA与World Model融合技术全景(2024-2025)

参考:https://github.com/Thinklab-SJTU/DriveMoEhttps://github.com/SEU-zxj/CoIRL-AD。https://github.com/IRL-VLA/IRL-VLA(待开源)https://github.com/SEU-zxj/CoIRL-AD。1. 架构简洁,推理时延比架构级低30%-50%;暂未公开参考:https://github.com/Thinklab-SJTU/DriveMoE。- 车端推理时延150ms(Orin-X);

Bonaventure的博客 1280

VLA (视觉-语言-动作) 模型学习路线规划

作为2025年最热门的机器人AI研究方向之一,VLA(Vision-Language-Action)确实值得深入学习。根据最新研究动态,规划一条从入门到进阶的学习路线。

weixin_42035282的博客 2271

农业杂草检测——棉花杂草数据集

然后将本层13×13的特征图谱经过×2上采样扩充到26×26,并与上层中26×26的特征图谱拼接,得到新的26×26的特征图谱,在该特征尺度上进行第二次预测,此时得到的特征图谱是相对输入图像16倍下采样,具有中尺度感受野,适合检测中等尺度对象;通过目标检测,能够及时清除杂草,减少病虫害的滋生和传播,保障棉花的健康生长,并有助于降低生产成本。对于地膜覆盖的棉田,由于膜内耕作层土温高、底墒好,杂草出苗早而集中,一般覆膜后5 - 7天杂草陆续出土,在墒情好的情况下,15天左右即形成出土高峰。

qq_38220914的博客 1241

关于 VLA,它有问题,但也不是一无是处

关于 VLA 的影响、好处和坏处。

GKxx 3805

Unity3d游戏开发工程师笔试题学习

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、学习背景二、错题记录2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 提示:这里可以.

m0_54231818的博客 5458

超级详细!!!新手使用AutoDL跑深度学习(MixVPR项目)的学习记录

新手第一次在AutoDL上跑深度学习的实验,遇到一些问题,简单记录一下。如果大家发现问题,欢迎和我讨论。

weixin_45152283的博客 5万+

VLA简介

是一种结合和的多模态智能模型,旨在通过自然语言指令理解环境(视觉输入),并生成对应的物理动作或决策(如机器人控制、自动驾驶)。它是近年来具身智能(Embodied AI)领域的核心技术之一。:将视觉-语言模型(如 CLIP、GPT-4V)的能力扩展到,实现从感知到行动的闭环。理解视觉场景和语言指令(如“拿起左边的红色杯子”)。生成可执行的动作序列(如机械臂运动轨迹、导航路径)。支持零样本(Zero-Shot)或小样本(Few-Shot)任务泛化。使用 CLIP、ViT 等提取图像/视频特征。

wangbo_angel的博客 2373

为什么AI时代的优秀组织,都在学习Meta的Pod结构?看完秒懂

当AI技术重塑产业格局,企业协作正面临前所未有的挑战——层级繁琐、跨部门内耗、迭代滞后,传统组织模式早已难以跟上技术革新的步伐。作为全球AI原生企业的标杆,Meta独创的Pod组织模式,用“小而美”的自治单元打破困局,成为AI时代高效协作的典范。本文将从定义、运作、价值到未来演进,全面拆解Pod模式,为企业组织变革提供可参考的思路与路径。德鲁克曾说:“组织的功能就是让平凡的人做平凡的事。”而Meta Pod打破这一局限,通过去中心化、指标导向、跨界融合,让优秀人才产生“化学反应”。

Kiss_AIHR的博客 1146

机器人VLA模型(Vision-Language-Action)

VLA(Vision-Language-Action)模型的核心是构建视觉、语言、动作的多模态闭环系统,实现从感知到执行的端到端映射。

MzKyle的博客 5079

Python代码加密与发布方案详解

本文详细介绍了多种Python代码保护方案,从基础加密到高级混淆,以及商业化发布的最佳实践。基础加密方案包括编译为字节码和使用PyArmor基础加密,适合临时保护和小项目。商业级加密方案如Cython编译和Nuitka完整打包,提供更高的保护强度和执行效率。高级混淆方案涉及控制流混淆、字符串加密和完整混淆工具链,进一步增加逆向难度。商业化发布方案则强调许可证系统集成、硬件绑定保护和完整发布流程。此外,文章还探讨了反逆向技术、最佳实践建议和常见问题解决方法。通过组合使用这些技术,可以构建出适合不同安全需求的P

数据知道的博客 1万+

【WRF-Chem工具】pyVPRM 计算大气与陆地植被之间的 CO₂ 交换通量

pyVPRM 计算大气与陆地植被之间的 CO₂ 交换通量

WW、forever的博客 206

VLA 2025 全球一共融资多少

2025年全球视觉-语言-动作模型(VLA)领域融资额预计达25-30亿美元,呈现爆发式增长。自动驾驶领域占据融资总额的45%-50%,中国车企星海图、智平方等获超10亿元融资。具身智能赛道增速达120%,Physical Intelligence等企业推动仓库分拣效率提升30%。中国市场融资占比超60%,政策红利和场景落地优势显著;美国聚焦技术研发,特斯拉、英伟达等巨头主导;欧洲侧重工业场景与合规。医疗、农业等垂直领域应用分化明显,融资额约1-3亿美元。

luoganttcc的博客 908

[深入研究4G/5G/6G专题-31]: 5G NR开机流程5.2 - UE Attach流程(Registeration Request/Accept/Complete)

目录前言:前置条件:第1章 5G NR UE attach流程(从UE log的视角看)1.0 NAS消息解析器1.1 消息交互流程1.2 UE Registeration Request消息(AMF->基站->UE)1.3 AMF Registeration Accept消息(AMF->基站->UE)1.4 UE Register complete消息(UE->基站->AMF)第2章 UE Register...............

文火冰糖(王文兵)的博客 7万+

VLA 架构细节分析(2025 年 11 月现状)

VLA架构已成为机器人具身智能的核心范式,通过统一视觉、语言和动作模态,实现端到端控制。2025年主要模型参数规模达450M至7B,支持10-50Hz高频控制,包含输入编码、模态融合、推理骨干和动作解码四大模块。关键创新包括3D空间编码、流匹配解码和双系统设计。模型训练采用预训练-微调范式,并在工业、家庭等领域广泛应用,成功率超90%。尽管面临硬件耦合、延迟等挑战,2025年通过空间增强、解码优化等创新逐步解决。未来VLA将向量子辅助和脑机接口方向发展,推动机器人向通用智能代理演进。

jzwspace的专栏 1292

通信原理 | python调制识别数据及代码

数据集包含了从-20dB 到+18dB 总共 20 个信噪比(步长为 2)下的 11 种调制信号, 包括 AM-DSB、 AM-SSB 和 WBFM 三种模拟调制信号,以及 BPSK、 QPSK、 8PSK、 CPFSK、 GFSK、 PAM4、 QAM16 和 QAM64 八种数字调制信号。其中信号的中心频率为 200KHz,采样频率为 1Msamp/s,且每个信噪比下每种调制信号包含 1000 个信号。其中每个信号包含 IQ 两路数据,且每一路数据都包含有 128 个采样点。

若北辰 1752

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

VLA论文精读(十三)CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models

这篇文章是英伟达、斯坦福、MIT 三个高校联合发布。其核心思想是用自回归能力生成整个任务过程中的目标子图,然后根据这些目标子图再去生成action chunk,目的是将CoT 引入到VLA中以提升模型整体性能;虽然该模型在总体性能上提升不大(3%~16%)之间,但其引入视觉思维链的思想与方法可以作为未来工作的参考。

nenchoumi3119的博客 3809

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

VLA-OS(VLA操作系统)--新国立--2025.6.21--开源

最近具体的VLA模型已经部署成功了,在尝试看更多的优化、实际应用方面的论文,了解到这篇效果还不错,故来看看有什么巧思。

2401_83634908的博客 1161

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VLA十年演进(2015–2025)

摘要: 2015–2025年,VLA(Vision-Language-Action)技术从多模态孤岛发展为万亿级端到端统一智能系统,实现感知-语言-动作的深度融合。2023年VLA元年开启,中国厂商(银河、宇树等)从跟随跃升为全球领跑者,零样本泛化率从70%提升至>99%,动作精度达亚毫米级。2025年量子鲁棒与自进化技术推动VLA进入终极具身智能时代,覆盖社交、情感及专业任务,渗透率超80%。中国主导创新与实践,推动AI从“感知表达”到“实时意图行动”的文明跃迁,预计2030年渗透率超95%。数据源

jzwspace的专栏 750

iRe-VLA——RL微调VLA:先SFT、后在线RL,最后结合“离线演示和在线成功数据”对VLA做SFT(含GRAPE的详解)

过去的这两年,工作之余,我狂写大模型与具身的文章,加之具身大火,每周都有各种朋友通过CSDN私我帮忙:要么是做科研想复现,要么是工厂想做自动化生产线的智能升级,要么是想通过机械臂/人形解决各种业务场景问题让我感慨:二零一一年,因为算法,首次有「天下无人不识君」的感觉,过去这两年,因为大模型和具身机器人,再次有了这感觉具身的论文解读过很多之后,便会发现整个具身的技能图谱大概如下所示(建议按照从下至上的顺序看)其中,action head有基于LSTM的基于diffusion model的。

结构之法 算法之道 1万+

刷完今年Github上所有VLA项目之后,最推荐复现这几个……

2025年度最具「影响力」的11个高质量开源项目

soaring_casia的专栏 3956

VLA 论文精读(三十三)A Survey on Vision-Language-Action Models: An Action Tokenization Perspective

这篇论文是一篇比较新的(2025年07月02日发表) VLA 领域综述,原文一共 70 页内容,主要是从 Action Tokenization 角度出发进行了一次全面的总结,可以直接将其当作一个字典,其中的表格整理的非常清晰直观。

nenchoumi3119的博客 5325

2025年VLA与RL融合突破方向大汇总!多篇前沿成果一文尽览,收藏这篇全掌握!

一句话汇总核心思路:**通过轨迹级 VLA 对齐、任务阶段分解及灵活时空约束的偏好建模,解决了 VLA 模型泛化差与目标适应性弱的问题。

m0_59235245的博客 1210

VLA十年演进

VLA模型十年演进:从机械控制到具身智能(2015-2025) VLA(视觉-语言-动作)模型是具身智能的核心技术,其发展经历了三个阶段:2015-2021年的模仿学习阶段,机器人只能执行简单任务;2022-2023年的大模型注入阶段,谷歌RT系列实现动作指令编码;2025年进入原生具身时代,模型具备物理常识和实时安全控制能力。关键技术突破包括:动作Token化、eBPF内核级安全审计、世界模型嵌入等。2025年的VLA已实现毫秒级响应、动态动作库调用和超低比特量化,使机器人能安全高效地完成复杂任务,标志着

jzwspace的专栏 935

半成品的开源双系统VLA模型,OpenHelix-发表于2025.5.6

本文探讨了开源双系统视觉-语言-动作模型(VLA)在机器人操控任务中的应用。随着OpenVLA的开源,VLA在真实机器人上的部署和效率问题引起了广泛关注。双系统方案,如Helix和MindVLA,成为热门研究方向,但缺乏开源资源限制了进一步研究。文章总结了现有双系统结构,评估其核心设计元素,并提出一种低成本开源模型。该模型结合了快速响应的System 1和深度推理的System 2,通过实时感知输入和定期任务规划,实现了实时性与深度推理能力的兼顾。文章还讨论了多模态大模型(MLLM)的选择、快系统小模型的设

2401_83634908的博客 1794

VLA(Vision-Language-Action)十年演进(2015–2025)

摘要: 2015至2025年,视觉-语言-动作(VLA)技术从多模态研究萌芽发展为具身智能核心范式。2015年VLA概念尚未形成,仅零星研究;2023年端到端大模型实现零样本泛化,中国厂商(如小鹏、华为)快速跟进;2025年VLA实现自进化闭环,渗透率超70%,终结模块化架构。技术演进分为三阶段:2015-2018年多模态分离研究;2019-2022年初步融合(如PaLM-E);2023-2025年端到端VLA大模型主导,中国领跑商用落地。比亚迪、华为等推出全场景VLA方案,推动智驾/机器人向语义意图直驱跃

jzwspace的专栏 549
上一篇: mask 替换颜色 掩码替换颜色
下一篇: 机器人 URDF学习笔记
AI算法网奇
AI算法网奇 优质创作者: python技术领域 优质创作者: python技术领域 领域专家: 数据科学与机器学习技术领域 领域专家: 数据科学与机器学习技术领域
博客等级 码龄17年 9万+粉丝 6830原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值