Vision Language Action

类别： 架构
来源： wiki/sources/ingest-2026-06-G-P-T--5--4--发-布--再-看--O-p-e-n-C-l-a-w--A-I--真-正-危-险-的--不-是-更-会-聊-天--而-是-开-始-自-己--干-活

核心定义

视觉-语言-动作模型（VLA），将视觉感知、语言理解与物理动作执行统一在一个端到端模型中，是实现具身智能的关键架构。

关键维度

• 干活”.md`相关链接：https://mp.weixin.qq.com/s/YYpR3wpCMmsClO9u3AsMvw，https://mmbiz.qpic.cn/sz_mmbiz_png/s0bQr1rQ90YibwVfBVInRTm511yiaiaLkUqdMxTsPf2sPnaRWQaV1vLAdbcMk2RkV78UGibIhBkKbPyemOuSxN2jHibbWtBEGOYKicw...

与 OpenClaw 的关系

本概念在 OpenClaw / Hermes Agent 生态的研究与实践中具有相关意义，详见引用来源中的具体案例分析。

引用统计

本概念在新增 sources 中被引用 1 次。