2025年，具身智能可真是太火了。

而提到具身智能，不得不提——視覺語言動作模型（Vision-Language-Action，VLA）。

作為具身智能的核心驅動力，VLA正席卷全球，成為研究人員們的「新寵」。

從產業界到學術界，全球的主流公司與研究機構，都在加速向這一方向靠攏，達成了罕見的共識。

在硅谷，諸如谷歌DeepMind、Figure AI、Skild AI、Physical Intelligence等行業領軍者，早已開始發力押注VLA的未來。

幾周前，谷歌曾發布了首個離線VLA模型，讓機器人不用聯網，即可精準操控完成任務。

與此同時，中國在這一賽道上的表現也毫不遜色。

近日，國內具身智能代表性創企——智平方，聯合頭部高校發布了一款全新的VLA模型——Fast-in-Slow（FiS-VLA）。

這款模型最大的亮點，是將雙系統模塊中的「快系統」嵌入「慢系統」，打破了機器人「操控效率」與「推理能力」不可兼得的困局。

論文鏈接: https://arxiv.org/pdf/2506.01953

項目主頁: https://fast-in-slow.github.io/

代碼鏈接: https://github.com/CHEN-H01/Fast-in-Slow

從放置水果到疊毛巾，FiS-VLA加持的機器人不僅秒懂指令，還能以驚人速度流暢執行。

更令人振奮的是，自今年以來，與VLA相關的學術論文呈爆發式增長。

根據谷歌學術統計，VLA相關結果共有2820條；而今年，就有1390條結果，幾乎占全部結果的1/2。

放眼全球，VLA的熱潮不止于此。

VLA技術加速機器人從實驗室走向物理世界，并催生出了各具特色的技術分支。

這不僅印證了VLA的巨大潛力，也預示著，它正在重塑智能機器人與人類交互的未來。

或許你一定好奇，VLA為何成為了具身智能的「新范式」？

VLA超進化

谷歌RT-2成關鍵節點

若想破除這一疑問，前提是必須理解VLA模型的重要性。

機器人要像人類一樣，既能理解復雜指令，又能靈活應對環境，快速行動——

目前，端到端VLA大模型是最符合第一性原理的解題思路。

作為AI領域的一顆新星，VLA模型將視覺、語言、動作三種模態融在一體，讓具身AI不僅能「看懂」世界、「聽懂」指令，還能執行任務。

想象一下，一個機器人能理解「將物品放置在冰箱」，并與同伴「共腦」合作，精準完成抓取放置任務——

這就是VLA的魅力！

與傳統對話式AI不同，VLA通過統一的模型架構，將多模態信息整合處理，實現了從感知到動作的「端到端閉環控制」。

正是它的出現，讓機器人從過去的預編程、簡單遙控的「機械執行者」，進化為真正的通用具身智能。

那么，VLA究竟何時出現的？又是如何煉成的？

2022年，谷歌Robotics團隊的RT-1橫空出世，這是接近VLA的機器人基礎模型的代表工作之一。

論文鏈接：https://arxiv.org/abs/2212.06817

這是機器人領域，首個大規模訓練的Transformer模型。

RT-1通過模仿學習，在多樣化的機器人演示數據上訓練，具備了跨任務的泛化能力，比如它能完成「把可樂放入冰箱」多步驟任務。

它首次將「預訓練+微調」的范式引入了機器人控制領域，為后續VLA模型的提出奠定了基礎。

RT-1的出現，開創了多任務的「視覺-動作」模型。

既然「預訓練+微調」范式行得通，為什么要重新訓練大模型？

與純文本任務不同，機器人系統必須具備對現實世界物理規律、環境上下文的深入理解，并能執行具體動作。

這些問題遠遠超出了語言模型最初的設計范疇：它不僅要「理解文字」，更要「執行意圖」。

隨后，研究者嘗試將語言融入機器人系統。但這些方法通常存在功能有限、適用范圍狹窄或為開環系統，難以實現實時互動與基于反饋的動態調整。

2023年，微軟提出了ChatGPT for Robotics，首次將對話大模型應用于機器人，實現了零樣本任務規劃。

論文鏈接：https://arxiv.org/abs/2306.17582

這時，只需動動嘴皮子——我想用積木塊拼出微軟logo，模型瞬間領會完成拼圖。

這項研究，將LLM用于機器人控制的設想變成現實，并在機器人領域，引領了一種全新研究風潮——「LLM+機器人」。

不過，它也暴露了語言模型在低級動作控制上的局限，如何讓語言與動作的深度融合，成為下一個突破的難題。

幾乎同時，谷歌帶來了PaLM-E，首次將視覺感知能力融入超大語言模型PaLM中。

PaLM-E最大參數達5620億，實現了視覺問答、圖像描述、機器人操作規劃的統一。

在開放領域視覺問答上，PaLM-E刷新了SOTA，還將互聯網規模的語義知識遷移到機器人控制中，為后續多模態模型提供了關鍵的設計范式。

VLA范式正式確立

經過四個多月迭代后，23年7月，谷歌DeepMind的RT-2正式上線，明確提出了VLA概念。

RT-2首創性地將機器人動作離散化為文本token，與視覺語言數據聯合訓練。

得益于此，它展現出了強大的泛化能力，在從未見過的物體上完成指令響應、理解數字符號和多步推理。

RT-2在未見任務上實現了超50%的成功率

這一刻，標志著VLA范式的正式確立，開啟了「大模型驅動機器人控制」的新方向。

技術追逐賽加速

中國具身企業國際舞臺首發聲

自此之后，國內外具身智能玩家競相加速，掀起了一場激烈的VLA技術追逐戰。

2024年6月，中國隊提出創新方法，破解VLA領域的長期痛點，迅速嶄露頭角。

眾所周知，機器人操作基本目標之一是理解視覺場景并執行動作。盡管RT-2這類VLA可以處理一些基本任務，但還有兩個痛點：

（1）面對復雜任務，推理能力不足；

（2）在微調和推斷上，算力成本太高。

而狀態空間序列模型Mamba，只有線性復雜度，但也實現了情境感知推理。

那為什么不把Mamba引入VLA，解決之前的痛點？

在這一關鍵時刻，智平方作為國內具身智能領域的領先者，展現了其技術創新的深厚實力。

他們與北大等頂尖機構一起，率先將Mamba引入VLA架構模型，推出了革命性的輕量化結構RoboMamba。

這一突破，直接讓VLA模型實現了效率與推理泛化能力的重大飛躍。

論文鏈接：https://arxiv.org/abs/2406.04339

具體而言，RoboMamba將視覺編碼器與Mamba大模型融合，實現視覺常識理解與機器人專項推理能力。

相比之前的VLA模型，RoboMamba不僅復雜度降低了，還顯著提升了長序列推理能力。

而且RoboMamba僅微調0.1%參數，即可實現SE(3)位姿的預測與操控能力。

在模擬和真實環境下，推理速度是主流模型的3倍，成為VLA實時性挑戰的突破口。

RoboMamba證明了，狀態空間建模范式在VLA中的高效性，引領了Transformer替代方案的新探索。

這一突破性成功入選了人工智能頂級盛會 NeurIPS 2024，也創造了中國具身公司在VLA領域國際舞臺的首次發聲！

緊接著，同月，來自Physical Intelligence、斯坦福、谷歌等機構的團隊，則針對RT系列模型所暴露出的問題，開源了一款全新的大規模VLA模型——OpenVLA。

此前的RT系列模型雖展示了VLA模型的通用泛化能力，但其對物理空間的表達能力，即視覺編碼器（Vision Encoder）在精細化識別上，表現不佳。

舉個栗子，讓RT-2機器人分類同色積木塊、將可樂放在霉霉身邊的任務中，表現并不理想

OpenVLA有7億參數，基于Llama 2骨干構建，融合了DINOv2和SigLIP視覺特征，并在97萬個真實機器人示教數據集上完成了預訓練。

令人意想不到的是，OpenVLA在29種操作任務中，碾壓55億參數的RT-2-X，成功率高出16.5%。

論文鏈接：https://arxiv.org/abs/2406.09246

OpenVLA僅以1/7的體積，就實現了性能超越，還能在消費級GPU上快速適配各種任務。

比如，讓它把香蕉放在盤子里，OpenVLA就會直接將其放在盤子中間。

最強泛化？

國產原創「混合架構」出圈

繼RoboMamba、OpenVLA推動了模型開源和效率提升之后，Physical Intelligence提出的π系列模型重新思考一個問題：

如何用最簡結構，實現VLA最強泛化？

2024年10月31日，π?，一款通用機器人流匹配策略模型誕生。

在預訓練視覺語言模型基礎上，π?疊加了流匹配架構，集成了互聯網級語義知識，同時還支持單臂、雙臂、移動操作臂等多種靈巧機器人的連續動作建模。

在洗衣折疊、桌面清潔、裝配盒子等復雜任務中，π?展現出零樣本執行、自然語言指令遵循、快速微調新技能的能力。

π?架構

得益于其「流匹配+預訓練語義模型」的架構，為高自由度連續控制場景提供了全新路徑。

與此同時，π?還承接了RT-2對語義泛化的關注，進一步推動了AI社區對VLA模型研究。

時隔半年，π?.?作為初代增強版發布，更加聚焦開放世界泛化能力的提升，強化了在未見環境中的適應能力。

π?.?在未見家庭場景中，無需訓練即可高質量完成清潔任務，處理從模糊指令到詳細動作的多種輸入。

它的誕生，真正實現了在不犧牲精度前提下，提升了「任務泛化」和「環境泛化」的性能，標志著VLA已具備了向現實世界大規模推廣的能力。

π系列僅是VLA模型技術模型技術分支的一種：采用擴散架構。

除此之外，隨著不同玩家的布局，在VLA全新范式下，已經分化出不同的技術路徑。

有的采用自回歸架構，有的基于擴散模型的動作解碼器，還有的兩種架構兼用。

融合自回歸+擴散，既要穩又要學得快

HybridVLA，就是混合架構的代表作之一。

這背后，依舊由中國團隊主導，他們通過原創突破攻克了復雜環境下魯棒性與泛化能力平衡的難題，開啟了混合動作生成的新方向。

通過自回歸和Diffusion+Action Chunk架構，HybridVLA統一了視覺-語言-動作的協作生成。

論文地址：https://arxiv.org/abs/2503.10631

如下圖所示，過去基于擴散的VLA方法僅在LLM后端附加獨立擴散頭（圖1a）。

而新方法創新性地提出協同訓練方案，將擴散去噪過程無縫融入單一LLM主干的自回歸流程（圖1b）。

不同VLA中LLM和Diffusion的融合方法對比

具體實現上，針對離散自回歸token與連續擴散隱變量在表征層面的異構性，研究者設計了系統化的token序列組織形式，利用特定標記token實現多模態輸入、擴散token與自回歸token的有機銜接。

從結果上看，HybridVLA在多個仿真和真實世界任務中超越了現有的SOTA VLA方法，同時被PI作為baseline引用和對比，這也是PI唯一對比過的中國VLA模型。

值得注意的是，該Paper的一作劉家銘博士也是「北大—智平方具身智能聯合實驗室」的研究員。

最終，機器人實現了全身控制，包括從桌面單臂到全域觸達&全身動作，因而適用范圍也得到了指數級拓展。

盡管業界在VLA模型的探索成果頗多，但傳統方法仍未解決具身智能領域核心矛盾——

視覺-語言模型（VLM）具備很強的泛化能力，但處理速度較慢；

而機器人視覺-運動策略雖然反應迅速，卻缺乏通用性。

雙系統

泛化性和執行效率全都要

受到卡尼曼雙系統理論（Kahneman’s theory）的啟發，Helix研究者提出了「雙系統架構」：

由基于VLM的System 2處理高層推理，另一個獨立的System 1負責實時動作執行。

Daniel Kahneman：諾貝爾經濟學獎得主。他將人類思維劃分為兩種模式：「系統1」反應快速、依賴本能和情緒；「系統2」則更為緩慢、審慎且合乎邏輯

2025年2月21日，人形機器人初創Figure AI發布了突破性的VLA進展——Helix。

這是一個采用「系統1+系統2」架構的端到端機器人大模型。

以往的VLA主干網絡，具有通用性但速度不快，機器人視覺運動策略速度快，但缺乏通用性。

Helix通過兩個系統端到端訓練，徹底解決了這一難題。

系統1（S1）：80M參數交叉注意力Transformer，依靠一個全卷積的多尺度視覺主干網絡，進行視覺處理

系統2（S2）：VLM主干網絡，經互聯網規模數據訓練后，工作頻率7-9Hz，用于場景和語言理解

這種解耦架構，讓每個系統都能在最佳時間尺度上運行，S2可以「慢思考」高層目標，S1通過「快思考」來實時執行和調整動作。

更驚嘆的是，在協作中，S1能快速適應同伴的動作變化，同時維持S2設定的語義目標。

Helix也成為最有影響力的「雙系統」VLA模型之一。

英偉達：開源GROOT N1

緊接著，3月18日，英偉達Isaac團隊則開源了全球首個通用人形機器人基礎模型——GROOT N1。

該工作將雙系統VLA理念落實到人形機器人領域，加速了學術界和工業界對通用人形機器人智能體的研發。

GR00T N1神經網絡架構示意圖：采用視覺語言基礎模型與擴散Transformer頭的創新組合，通過連續動作去噪實現精準控制

GR00T N1標志著人形機器人基礎模型的里程碑：通過融合互聯網數據和機器人數據，實現了硬件實體上的廣義推理與技能遷移。

FiS-VLA：全面超越當時最強開源模型π0

然而，此類架構中兩個系統相互獨立，System 1難以充分利用System 2所蘊含的豐富預訓練知識。

為了攻克這一技術瓶頸，智平方聯合香港中文大學、北京大學、北京智源研究院，又一次展現了中國具身的最強實力。

他們創新性地提出了深度融合的快慢系統Fast-in-Slow（FiS-VLA），以突破性技術架構實現了機器人的「即知即行」，為全球VLA技術樹立了全新里程碑。

具體來說，Fast-in-Slow（FiS）架構統一了雙系統VLA模型：

執行模塊System 1被嵌入到System 2中，二者通過共享部分參數的方式連接。

常規算法和FiS對比：FiS-VLA采用完整視覺語言模型（VLM）實現系統2（圖中藍色部分）的推理功能，同時改造LLM的末端Transformer模塊作為系統1（圖中綠色部分）的執行單元

這是首次在單一預訓練模型內實現「慢思考」與「快執行」的協同，成功突破了傳統雙系統分離的瓶頸。

系統1直接繼承了VLM的預訓練知識，能無縫理解系統2的「思考結果」（中間層特征）。

從此，它不再是「門外漢」，同時還能保證高速運行。

在FiS-VLA中，兩個系統的角色存在根本差異：

（1）系統1負責執行，讀取機器人狀態、3D點云和當前圖像，生成高頻控制動作，節奏極快；

（2）系統2負責理解，處理二維圖像和語言指令等低頻輸入，提取任務語義，節奏偏慢。

為此，這次特意引入了異構模態輸入與異步運行頻率策略。

這種做法讓模型既能像「張飛繡花」，又能像「博爾特短跑」：既可快速反應，又能精細推理。

此外，兩個系統之間的協調性也是難點：一方面要為系統1注入動作生成能力，但另一方面卻要保留系統2的上下文推理能力。

對此，研究者結合擴散去噪目標與自回歸目標，提出了雙系統感知協同訓練策略（dual-aware co-training strategy）。

FiS-VLA框架結構

• 執行模塊（系統1，上圖綠色部分）：采用擴散建模（diffusion modeling）中概率性與連續性的特點，向嵌入空間注入帶噪動作作為潛在變量，學習動作生成。
• 推理模塊（系統2，上圖藍色部分）：采用自回歸逐token預測的范式作為訓練目標，生成離散的語言或動作，避免慢系統發生災難性遺忘。

這有效解決了傳統VLA模型執行頻率低、推理與動作割裂的問題：

不僅賦予了System 1高頻率執行能力，也促進了推理與執行模塊之間的高效協同。

在實驗評估中，FiS-VLA的表現顯著優于現有方法：在仿真任務中平均成功率提升8%，在真實環境中提升11%。

在RLBench的10個仿真任務上，FiS-VLA取得了69%的平均成功率，明顯優于CogACT（61%）和π0（55%）。

而且，哪怕在未采用動作塊（action chunking）機制的情況下，FiS-VLA依然實現了21.9Hz的控制頻率，運行速度是CogACT（9.8 Hz）的2倍以上，也超過π0（13.8 Hz）1.6倍。

在RLBench上，FiS-VLA與基線方法的性能對比

在真機任務上，不管單臂還是雙臂操作的任務，新方法的成功率都全面領先當時最強的開源模型π0。

在真實場景中，FiS-VLA與π0的性能對比

在面對全新物體、復雜背景與多樣光照條件等難題時，也展現出了良好的泛化能力，明顯領先π0模型。

泛化性實驗。左圖展示三種泛化測試場景，其中紅色方框標出關鍵差異點

上表中，「Object」(物體)、「background」（背景）與「Lighting」（光照）分別指未經訓練的操控對象、復雜背景及光照干擾。

最終，這種快慢系統能夠同時快速響應環境變化，同時還能完成長程推理任務。

通往AGI的星辰大海

回顧VLA模型在全球的演進歷程，我們見證了，技術的每一次突破如何層層遞進，中國具身公司如何為業界貢獻力量。

從RT-1的開創，到RT-2確立VLA范式，再到RoboMamba、OpenVLA的開源普及，到Pi0~Pi0.5的進一步泛化、擴大影響力，又到FiS-VLA的實時控制突破，每一步都在不斷挑戰技術極限。

這構成了VLA動作層面的「自回歸到擴散到混合」的演進路徑，以及雙系統層面的「非端到端到快慢松耦合到快慢緊耦合」的演進路徑，不僅展現出VLA模型的強大適應性，也揭示了機器人智能從單一任務到通用能力的進化邏輯。

在這一波瀾壯闊的技術浪潮中，智平方作為中國具身智能的代表，以其卓越的創新能力和產業影響力，攜手國內頂尖高校與機構，共同鑄就了技術新高峰。

通過RoboMamba、HybridVLA、FiS-VLA等一系列原創成果，智平方不僅攻克了長序列推理、實時控制等VLA難題，更以中國智慧為全球具身智能的發展注入了強勁的動力。

短短三年的時間，VLA技術完成了從實驗室走向工業落地的華麗蛻變。

隨著GROOT N1、Helix、FiS-VLA等模型的部署，VLA將在人形機器人、智能制造等領域大放異彩。

如今，VLA模型加持下的人形機器人，已經進車間打工了。

站在2025年全新節點上，VLA模型不僅僅是技術的突破，更是人類邁向AGI的堅實一步。

一起共同期待，VLA如何在未來重塑世界，開啟機器人智能的黃金時代！