待验证50% 置信事实精确时间
视觉-语言-动作模型(VLAs)将视觉感知、语言理解和动作生成统一在单一框架中,使机器人能够接收自然语言指令并直接输出控制信号
1
来源数
50%
置信度
长期有效
时效性
2026/9/8
首次发现
来源
涉及实体
相关事实
已验证VLM（视觉语言模型）的典型架构包含三个核心组件：视觉编码器（如ViT）、语言模型（通常是大型语言模型）、以及连接二者的投影层或适配器模块73% 相似待验证VLM的核心机制是将图像编码器（如ViT）与语言解码器（如Transformer）通过对齐层连接，实现跨模态理解71% 相似待验证VLM Run是一个提供视觉大模型推理服务的平台，Orion是该平台上专注于图像分割任务的视觉智能体，接受自然语言指令作为输入分割图像区域70% 相似待验证VLA（视觉-语言-动作）架构是当前具身智能领域的主流技术路线，代表性工作包括谷歌的RT-2和PaLM-E66% 相似待验证该研究者的实验基于 VMAS（Vectorized Multi-Agent Simulator）库中的多个多智能体场景62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/876137API
curl https://kongchang.com/api/v1/knowledge/claims/876137MCP
get_claim(id=876137)