待验证50% 置信事实精确时间
当前主流VLA模型通常将多路RGB图像直接拼接或按固定顺序输入策略网络，隐含假设训练和测试时相机数量、安装位置、内外参完全一致。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证在 VSArena 的 VLA 赛道中，策略模型只能获得一张 128×128 的 RGB 相机图像和一条自然语言的堆叠指令75% 相似待验证当前主流 VLM 经过大规模 UI 截图数据训练，能够识别界面元素的层级关系，将视觉布局映射为功能语义74% 相似已验证VLA将预训练的视觉-语言模型与机器人动作策略直接对接，使机器人能够将自然语言指令、摄像头图像与低级运动控制统一处理72% 相似待验证生成的视频与仿真器标签共同构成可复用的多模态记忆库，支撑一套免训练（training-free）的多智能体VLM系统72% 相似已验证具身智能当前主流技术路线是视觉-语言-动作模型（VLA），将摄像头图像与语言指令共同输入，直接输出机械臂的关节控制信号71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012759API
curl https://kongchang.com/api/v1/knowledge/claims/1012759MCP
get_claim(id=1012759)