视觉-语言-动作模型（Vision-Language-Action, VLA）是人工智能领域的一种新型算法框架，它将视觉感知、语言理解和动作决策融合到一个统一的大模型中，通过图像、语言等数据输出动作指令‌，属于多模态大模型在具身智能方向的延伸，实现机器人的环境理解到行为输出的闭环决策‌。

专辑论文解读，请查看：

http://www.studyai.com/xueshu/pamphlet/detail/5853193730

公众号文章中图片文字太小，请务必到studyai.com官网查看高清大图。

CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models

文章解读: CoT-VLA: 视觉思维链推理在视觉-语言-动作模型中的应用

MoManipVLA: Transferring Vision-language-action Models for General Mobile Manipulation

文章解读: MoManipVLA: 通用移动操作中视觉-语言-动作模型的迁移

SOLAMI: Social Vision-Language-Action Modeling for Immersive Interaction with 3D Autonomous Characters

文章解读: [SOLAMI: 用于与3D自主角色沉浸式交互的社交视觉-语言-动作建模] (http://www.studyai.com/xueshu/paper/detail/9691716638)

人类是社会性动物。如何为3D自主角色配备类似的社会智能，使其能够感知、理解和与人类互动，仍然是一个开放且基础性的问题。在本文中，我们介绍了SOLAMI，这是第一个用于与3D自主角色进行沉浸式交互的端到端社会视觉-语言-动作（VLA）建模框架。具体来说，SOLAMI从以下三个方面构建3D自主角色：1）社会VLA架构：我们提出一个统一的社会VLA框架，根据用户的多种模态输入（语音和动作）生成多模态响应，以驱动角色进行社会互动。2）交互式多模态数据：我们提出了SynMSI，这是一个通过自动管道使用现有的动作数据集生成的合成多模态社会交互数据集，以解决数据稀缺的问题。3）沉浸式VR界面：我们开发了一个VR界面，使用户能够通过不同的架构沉浸式地与这些角色互动。大量的定量实验和用户研究表明，我们的框架导致了更精确和自然的角色响应（语音和动作），与用户期望相符，且延迟更低。

ShowUI: One Vision-Language-Action Model for GUI Visual Agent

文章解读: ShowUI：用于GUI视觉代理的一种愿景-语言-动作模型