待验证50% 置信事实精确时间
Figure的机器人和Tesla的Optimus正在分拣与简单装配等任务上测试，使用视觉-语言-动作模型将摄像头画面与语音指令映射为动作序列。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/13
首次发现
有效期至：2027/1/11
来源
涉及实体
相关事实
待验证StepShot 内置本地 AI，对每张截图进行智能取景、自动撰写操作说明并判断哪些动作需保留或跳过75% 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73% 相似待验证使用CLIP等视觉-语言模型的表征,机器人抓取任务的few-shot性能可提升30-50%72% 相似待验证该项目是一套基于姿态的遥操作系统，通过普通网络摄像头实时捕捉人体姿态并映射到四足机器人的关节上71% 相似待验证自动化录屏工具复现镜头运动判断本质上是一个意图识别问题，同样的点击在导航跳转与表单填写场景下是否需要放大的答案可能不同70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1022408API
curl https://kongchang.com/api/v1/knowledge/claims/1022408MCP
get_claim(id=1022408)