VLA modeli (görme-dil-eylem modeli)

Ne anlama gelir?

VLA modeli, kamera görüntülerini ve dil talimatını girdi olarak alır ve robot eylemleri üretir. Terim, 2023 tarihli RT-2 makalesinde tanıtılmıştır; yazarlar, görme-dil modelinin (VLM) robot eylemlerini doğrudan üretebilmesi için bu eylemleri metin belirteçleri olarak temsil etmiştir.

Birçok VLA modeli, web verisiyle önceden eğitilmiş görme-dil modelinden başlar, ardından robot gösterimleriyle eğitilir; RT-2'nin Transfer Web Knowledge to Robotic Control başlığının arkasındaki fikir budur. Açık kaynaklı örnek OpenVLA, 970.000 gerçek dünya robot gösterimiyle eğitilmiş 7 milyar parametreli model olarak tanımlanır.

İnsansı robotlarla ilişkisi

Figure, Helix modelini; bilekler, gövde, baş ve tek tek parmaklar dahil tüm insansı robot üst gövdesinde yüksek frekanslı sürekli kontrol üreten genel amaçlı VLA modeli olarak tanımlar. Duyuru 20 Şubat 2025 tarihlidir.

π₀ makalesi, önceden eğitilmiş bir görme-dil modelinin üzerine kurulu bir akış eşleştirme mimarisini anlatır; eylem üretimini bir görme-dil omurgasına bağlamanın farklı bir yoludur.

humanoidversus.com üzerinde Yapay zekâ altyapısı alanı, bir model adını yalnızca bir üretici ya da alıntılanan bir kaynak adlandırdığında kaydeder. Alan metindir; bu nedenle robotları bir puanla değil, model adı ve kaynağıyla karşılaştırın.

Bir modeli VLA yapan nedir?

Bu etiket kesin sınırlarla kullanılmaz. RT-2 tanımına göre modelin görme ve dil girdileri alması ve çıktı olarak robot eylemleri üretmesi gerekir; yalnızca metin üreten görme-dil modeli veya hareketi kontrol etmeyen planlayıcı bu tanıma uymaz. Şirketler bazen benzer etiketler türetir; bu nedenle site her üreticinin ifadesini korur.

Eylem boyutları eklem sayıları değildir. Helix'in 35 serbestlik dereceli eylem uzayı, robotun kaç mekanik eklemi olduğunu değil, modelin çıktısını tanımlar (bkz. serbestlik derecesi maddesi).

Figure'ın Helix gönderisi bir şirket duyurusudur; dolayısıyla yetenek iddiaları, bağımsız sonuçlar alıntılanana kadar şirketin kendi iddialarıdır.

ai_stack alanı nasıl okunmalı

Her Yapay zekâ altyapısı değeri kaynak ve güvenilirlik düzeyi taşır. Resmi, üreticinin belirttiği; bildirilen ise güvenilir üçüncü tarafın belirttiği anlamına gelir. null, adı belirtilmiş model bulunmadığını gösterir; robotta yapay zekâ altyapısı bulunmadığına kanıt değildir.

Model adı bulunması, robotun satışta veya sahada kullanılıyor olduğu anlamına gelmez. Model adını ürün özelliği olarak değerlendirmeden önce durum alanını, fiyat ve temin edilebilirlik bölümlerini kontrol edin.

Ek okuma

RT-2 (Brohan ve arkadaşları, 2023), OpenVLA (Kim ve arkadaşları, 2024), π₀ (Black ve arkadaşları, 2024) ve Figure'ın Helix duyurusu (2025).