待验证60% 置信事实精确时间
视觉-语言-动作模型（VLA）是具身智能的最新范式，代表性工作包括Google DeepMind的RT-2和Physical Intelligence的π0
2
来源数
60%
置信度
长期有效
时效性
2026/7/10
首次发现
来源
超越语音指令：机器人多模态交互的未来进化路径
redditr/robotics2026/7/8
相关事实
已验证DeepMind开发了VLA（视觉语言动作模型）系统，将机器人的物理动作与视觉token、语言token置于同等重要的位置处理82% 相似待验证代表性VLA模型工作包括Google DeepMind的RT-2和斯坦福的OpenVLA78% 相似已验证Google DeepMind的RT-2首次将视觉-语言模型直接用于生成机器人动作指令70% 相似待验证DeepSeek此前的VL（Vision-Language）系列模型已经在视觉理解方面积累了经验70% 相似待验证Google DeepMind的RT系列包括RT-1、RT-2、RT-X，RT-1训练基础操作能力，RT-2将VLM与机器人动作关联，RT-X通过跨平台数据共享实现更强泛化69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/454707API
curl https://kongchang.com/api/v1/knowledge/claims/454707MCP
get_claim(id=454707)