VLA 模型与视觉语言模型 VLM 有什么区别？

VLM 与 VLA 的核心差异在于是否具备动作生成能力，二者在功能边界上呈现清晰的递进关系：

1. 功能范围：VLM（Vision-Language Model）仅实现"感知—理解"，接收图像或视频与文本输入，输出文本响应（如问答、描述），典型代表包括 GPT-4V、Qwen-VL；VLA 在此基础上增加动作生成模块，直接输出智能体可执行的动作序列，实现"感知—理解—执行"一体化。
2. 输出形式：VLM 的输出是文本 token；VLA 的输出是动作 token 或连续动作轨迹，对应机器人关节与末端执行器的运动。
3. 数据依赖：VLM 主要依赖静态图文配对数据；VLA 除图文数据外，还需大量带动作标注的机器人演示数据（teleoperation 数据），用于学习从理解到操作的映射。
4. 应用定位：VLM 面向图像理解与多模态问答等认知任务；VLA 面向机器人操控、自动驾驶等需要物理交互的具身任务。

可以将 VLM 理解为 VLA 的认知前端——许多 VLA 正是直接在预训练 VLM 骨干之上扩展动作能力构建而成。