VLA 论文框图示例

一个可继续编辑的视觉—语言—动作模型 Method Figure 初稿。

下载 Excalidraw 源文件

图中结构

1. 多模态输入：视觉观测与语言指令。
2. 视觉编码器：提取时空视觉 Token。
3. 多模态融合：完成语言 grounding 与策略上下文建模。
4. 动作解码器：自回归或扩散式生成 Action Chunk。
5. 机器人执行：与环境闭环交互。

底部训练监督可替换为具体论文中的数据来源、预训练目标和动作损失。

相关笔记：个人域名基础设施。