Vision-Language-Action

把视觉、语言和动作统一进同一策略建模框架，是当前具身智能主线之一。

这条主题在讲什么

VLA 的核心不是“把图像和文本都喂给机器人”，而是把机器人控制问题放进 foundation model 语境里，让预训练、多任务泛化、迁移、微调和跨 embodiment 学习都能在一套统一框架里讨论。

为什么重要

• VLA 是现在连接大模型能力与机器人执行能力的主干路线
• 它把机器人学习从 task-specific policy 推向 reusable foundation policy
• 很多后续方向，本质上都是在回答“VLA 还缺什么”
  • 更强的可控性
  • 更长的记忆
  • 更高的精度
  • 更好的跨 embodiment 迁移
  • 更低成本地利用人类数据

当前知识库里的几条子路线

• 开源基座化 来自 来源: OpenVLA: An Open-Source Vision-Language-Action Model OpenVLA 强调训练、微调、部署三件事一起开源，代表“VLA 作为公开基础设施”的路线。

• 更强 steerability 来自 来源: π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities π0.7 通过 richer prompt、subgoal image、episode metadata 把“怎么做”也编码进策略上下文。

• 在线 RL 精修 来自 来源: RL Token: Bootstrapping Online RL with Vision-Language-Action Models RLT 关注如何在保留 VLA 泛化先验的前提下，把精度和速度继续打磨到 specialist 水平。

• 长时程记忆 来自 来源: MEM: Multi-Scale Embodied Memory for Vision Language Action Models MEM 试图解决 VLA 在长达十几分钟任务中的任务进度保持和局部视觉记忆问题。

• 利用 human data 来自 来源: Emergence of Human to Robot Transfer in Vision-Language-Action Models 这条路线关注 VLA 何时开始能真正吃进 human video，并把它转化成机器人能力。

当前判断

这几篇放在一起看，VLA 主线已经很清楚：

• OpenVLA 解决“基座是否开放、可训、可部署”
• π0.7 解决“多源数据如何通过 prompt 变成可控能力”
• RLT 解决“如何把通才策略继续打磨到高精度”
• MEM 解决“如何把策略延长到 long-horizon”
• Human-to-Robot Transfer 解决“如何把人类数据真正吸纳进来”

也就是说，VLA 不再只是一个单点模型设计问题，而已经分化成一套系统问题族。

相关页面

• OpenVLA: An Open-Source Vision-Language-Action Model
• π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities
• RL Token: Bootstrapping Online RL with Vision-Language-Action Models
• MEM: Multi-Scale Embodied Memory for Vision Language Action Models
• Emergence of Human to Robot Transfer in Vision-Language-Action Models
• Online RL for VLA
• Long-Horizon Memory for Robot Policies
• Human-to-Robot Transfer