Reference

VLA / SmolVLA 速查本

从语言、图像、状态到动作块。

接口定义

input:
  observation.images.camera1
  observation.state
  task text
output:
  action chunk: (batch, 50, 6)

一次输出未来多步动作，减少推理频率并保留短时序结构。

从噪声到动作分布学习速度场，而不是只回归单个均值动作。

把视觉和语言语义带进动作预测。

图像、状态、动作归一化必须和训练分布一致。

模型族	核心接口	关键词	常见误读
VLA	image/language/state → action chunk	semantic generalization、reactive policy	不必然显式预测未来世界。
World model	state/action → future state/observation/reward	rollout、action conditioning	视频质量不等价于控制可靠。
WAM	future world prediction + executable action	action alignment、world/action factorization	不是 VLA 换名。
DreamZero	video diffusion backbone jointly models video + action	zero-shot policy、cross-embodiment、7Hz	不能推广为所有 video model 都是 policy。

一句话

VLA 问“现在怎么动”；world model 问“动了之后世界会怎样”；WAM 把两个问题放进同一个学习目标。

不能外推

PushT 是 2-D action，SmolVLA 是 6-D embodiment。输出形状能跑通，不代表能控制 PushT。

VLA 是策略接口，不自动等价于显式 world model。