已验证70% 置信事实精确时间

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

4

来源数

70%

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

待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80% 相似待验证通应实验室推出了Coin VLA视觉语言动作模型，专注于通用具身智能76% 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69% 相似已验证VLM（视觉语言模型）能够同时处理图像和文本输入，通过视觉编码器将图像转换为模型可理解的向量表示，再与文本信息融合进行推理68% 相似待验证该模型只需一句自然语言指令加一个普通 RGB 摄像头，机器人便能自主导航完成任务67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/454708

API

curl https://kongchang.com/api/v1/knowledge/claims/454708

MCP

get_claim(id=454708)