英文：Vision-Language-Action Model 分类：embodied
将视觉观察与语言指令直接映射为机器人动作的模型（VLA）。它让机器人"听懂指令、看懂场景、做出动作"，是具身智能的主流架构。
技术：视觉编码器+LLM+动作解码（离散/连续动作 Token）、数据（遥操作采集+互联网预训练+机器人微调）；能力：指令跟随操作、多步任务、泛化到新物体；代表：RT-1/RT-2、OpenVLA、π0。
用于工业机器人（柔性产线）、家庭服务（整理、做饭辅助）、物流分拣与科研平台；VLA 是"机器人+大模型"融合的典型范式。