扫描下载APP
其它方式登录
文章系统梳理机器人智能演进路径：从手工编码控制，到深度学习提升感知与控制，再到LLM赋能任务规划，进而发展为视觉-语言-动作模型（VLA）实现推理与行动融合，最终迈向世界模型驱动的‘想象式’决策。重点解析双脑架构、本地化计算部署、开源模型生态及当前技术瓶颈。
文章探讨具身智能领域VLA（视觉-语言-动作）模型当前面临的泛化能力不足、物理交互理解缺失等瓶颈，指出单纯依赖互联网数据的VLA已难以为继；强调唯有深度融合世界模型、构建内在化物理因果推演能力，并依托高质量物理交互数据工厂，才能实现真正可靠的具身智能落地。
上海交大MINT团队提出Evo-Depth模型，以约0.9B参数实现轻量级隐式深度编码，增强视觉-语言动作模型（VLA）的空间感知能力，在仿真和真机任务中分别达到最高95.4%和约90%成功率，兼顾部署效率（3.2GB显存、12.3Hz推理），代码与权重已开源。
论文指出当前视觉-语言-动作（VLA）模型存在依赖视觉捷径、忽视语言指令的问题，导致在分布外场景和指令歧义任务中泛化能力差；为此提出LangForce方法，通过引入对数似然比损失强化语言依赖，显著提升指令跟随能力和OOD泛化性能，同时保留视觉-语言模型的原始语言理解能力。
香港科技大学开源StarVLA项目，提出Backbone-Action Head‘乐高式’统一架构，解决具身智能VLA领域架构割裂、管线强耦合、评测标准不一的碎片化问题，支持多范式模块化组合、协同训练与跨形态混合训练，并实现仿真到真实机器人的无缝部署。
魔搭社区联合多家权威机构发布EAI-100具身智能年度榜单，蚂蚁灵波科技及其自研具身基座模型LingBot-VLA、首席科学家沈宇军双双入选核心榜单；LingBot-VLA具备跨本体跨任务泛化能力，基于超2万小时真实操作数据训练，支持低成本快速迁移与开源适配，推动具身智能工程落地。
