VLA（视觉-语言-动作）模型和普通 VLM 有什么区别？动作怎么输出？Diffusion Policy 怎么工作？

一句话速记：VLA 在 VLM 基础上将生成空间从文本 Token 扩展至物理动作（如机械臂位姿与夹爪开合）。动作生成主要分为两类路径：一是以 RT-2 为代表的离散化动作自回归生成，二是以 Octo、π0 为代表的基于 Diffusion 或 Flow Matching 的连续动作头。Diffusion Policy 通过条件去噪预测动作轨迹，能有效建模多峰动作分布，并借助 Action Chunking 保证执行的连续平滑。

具身智能、VLA

同章节的其他八股

• LLaMA 系列有哪些关键改进？
• Qwen 系列的结构和演进？
• DeepSeek-V3 有哪些主要创新？
• DeepSeek-R1-Zero 和 R1 有什么区别？
• 什么是 RLVR？为什么它推动了推理模型的发展？
• 从零训练一个 LLM 的完整流程是怎样的？