待验证50% 置信事实精确时间
视觉-语言-动作模型（VLA）是具身智能的最新范式，代表性工作包括Google DeepMind的RT-2和Physical Intelligence的π0
1
来源数
50%
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DeepMind开发了VLA（视觉语言动作模型）系统，将机器人的物理动作与视觉token、语言token置于同等重要的位置处理82% 相似待验证代表性VLA模型工作包括Google DeepMind的RT-2和斯坦福的OpenVLA78% 相似待验证DeepMind采用两个协同工作的模块：更擅长推理的ER模型（本质上是VLM）负责协调统筹，VLA模型负责执行物理动作77% 相似待验证DeepMind在VLA上叠加了一层Gemini模型，用户可直接用自然语言下达指令，机器人能一边工作一边对话70% 相似已验证Google DeepMind的RT-2首次将视觉-语言模型直接用于生成机器人动作指令70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/454707API
curl https://kongchang.com/api/v1/knowledge/claims/454707MCP
get_claim(id=454707)