视觉-语言-动作模型的泛化进展：从单一任务到跨场景

导语

视觉-语言-动作模型（Vision-Language-Action，VLA）的泛化能力进展，决定了人形机器人（Humanoid Robot）能否从「按脚本演示」走向「按指令干活」。

两条公开技术路径

一是端到端 VLA：Figure 02搭载 Helix 端到端 VLA 模型，特斯拉 Optimus走 FSD 端到端神经网络迁移路线。二是在线学习与强化学习（Reinforcement Learning，RL）：1X NEO的 1X 世界模型（World Model）属 Redwood 家族路线。

泛化的量化证据

公开可查的数据里，泛化能力的证据主要是「零样本任务成功率」这类指标。这类指标的口径各家不同，横向对比困难。

结论段

泛化能力有实质进展，但公开数据还不足以支持「已解决泛化问题」的说法。当前更值得看的是任务完成度与稳定性，不是演示视频的复杂度。

局限段

各家评测口径不一致，同名指标含义可能完全不同；「零样本」的定义在各家技术博客中也不统一。本站不做技术优劣的最终评判。