已验证75% 置信事实精确时间
该模型属于视觉-语言-动作（VLA）模型的范畴，将视觉编码器、语言理解模块与动作预测头统一在端到端架构中
5
来源数
75%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
待验证单体VLA模型接收视觉与语言输入后直接生成原始运动指令或极短的动作序列，缺乏可复用的行为抽象78% 相似待验证当前的视觉-语言大模型（VLM）已具备开放词汇的目标检测、场景理解与推理能力，使得无需为每个新任务单独训练模型成为可能76% 相似待验证一项系统性评测覆盖了16款前沿视觉语言模型（VLM）在文档解析场景下的表现74% 相似待验证多模态大模型（VLM）通过视觉编码器将patch转为高维向量并结合语言先验补全内容，与传统OCR基于局部决策并在置信度低时报错的行为有本质区别73% 相似待验证VLA 偏向端到端模仿靠数据规模堆能力，WAM 偏向显式建模世界靠结构化推理提升泛化70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/536182API
curl https://kongchang.com/api/v1/knowledge/claims/536182MCP
get_claim(id=536182)