主要观点总结
随着多模态基础模型的发展，研究者开始探索将智能从数字世界延伸至物理空间，实现具身智能。视觉-语言-动作模型（VLA）是这一前沿方向之一，能够处理通用的视觉与语言输入，并生成实时动作。北京大学-灵初智能联合实验室从动作词元化视角提出统一理解VLA模型的新框架，综述系统分析了八种主流action token，探讨了不同动作表示背后的能力支撑、数据扩展策略和适用场景，并明确了未来架构趋势与关键挑战。灵初智能在加速推进VLA技术的产业化落地，将在WAIC 2025展示其VLA模型Psi R1的麻将机器人等实际场景应用。论文标题：A Survey on Vision-Language-Action Models: An Action Tokenization Perspective。
关键观点总结
关键观点1: 视觉-语言-动作模型（VLA）的发展
VLA模型通过处理视觉与语言输入，生成实时动作，是实现具身智能的关键路径。
关键观点2: 动作词元化视角的新框架
北京大学-灵初智能联合实验室提出从动作词元化视角理解VLA模型的新框架，系统分析了八种主流action token。
关键观点3: action token的类型与分析
综述论文对八种action token进行了分类梳理与分析，包括language description、code、affordance、trajectory、goal state、latent representation、raw action和reasoning。
关键观点4: VLA技术的产业化落地
灵初智能在加速推进VLA技术的产业化落地，其VLA模型Psi R1已在麻将机器人等实际场景中得到验证。
关键观点5: 未来研究方向与挑战
VLA研究正迈向通用智能的下一站，未来需关注模型、数据与硬件的协同发展，并确保安全性与人类对齐。
免责声明
免责声明：本文内容摘要由平台算法生成，仅为信息导航参考，不代表原文立场或观点。
原文内容版权归原作者所有，如您为原作者并希望删除该摘要或链接，请通过
【版权申诉通道】联系我们处理。
微博登录
