已验证65% 置信事实精确时间
RT-2首次证明了VLA架构的可行性，通过将机器人动作离散化为token，让视觉语言模型直接输出动作序列
3
来源数
65%
置信度
长期有效
时效性
2026/8/29
首次发现
来源
涉及实体
相关事实
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78% 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75% 相似待验证Google的RT-2使用预训练的视觉-语言模型(如PaLI)作为backbone联合编码图像观察和自然语言指令,并在输出端生成离散化的动作token73% 相似待验证RT-2（Robotics Transformer 2）直接用视觉-语言模型端到端生成机器人控制指令69% 相似部分验证LLaVA用一个简单的线性层连接视觉编码器和语言模型，证明了视觉指令微调的有效性67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/821177API
curl https://kongchang.com/api/v1/knowledge/claims/821177MCP
get_claim(id=821177)