待验证50% 置信事实精确时间
在 VSArena 的 VLA 赛道中，策略模型只能获得一张 128×128 的 RGB 相机图像和一条自然语言的堆叠指令
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/11
首次发现
有效期至：2026/12/10
来源
涉及实体
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65% 相似已验证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64% 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64% 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62% 相似待验证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62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/901248API
curl https://kongchang.com/api/v1/knowledge/claims/901248MCP
get_claim(id=901248)