VLA机器人架构

视觉语言动作模型（VLA）是当前机器人AI的核心架构，它将视觉感知、语言理解与电机控制统一在一个Transformer框架中。【背景】随着Figure、Physical Intelligence等公司推出π0、Helix等模型，VLA已成为连接大模型能力与物理世界操作的关键桥梁。

技术演进上，早期研究聚焦于如何将动作组件注入视觉语言模型（VLM）。2025年，字节跳动与清华团队发布RoboVLMs，通过600多次实验确立了骨干网络选择、架构公式化及跨具身数据使用时机三大设计准则。随后，微软提出VLA+概念，在Rho-alpha模型中引入触觉传感与在线学习，突破传统VLA仅依赖视觉和语言的局限。2026年8月，τ0-VLA进一步引入分层架构与世界模型引导的测试时计算，以解决长序列任务中的决策优化问题。

争议在于通用性与实时性的平衡：一方面，SimVLA等简化基线证明小参数模型即可达到SOTA，质疑复杂架构的必要性；另一方面，VLA-RAIL指出异步推理链接器对消除动作抖动至关重要，暗示单纯模型优化不足以应对硬件延迟。目前尚无定论哪种架构范式将主导未来部署。

后续需关注：1. RoboVLMs开源代码库的实际复现效果；2. 更多厂商是否跟进“VLA+”多模态扩展；3. 分层模型在真实工业场景中的成功率数据。