综述

世界模型正逐渐成为机器人学习领域不可回避的核心议题。 过去数年间，机器人策略学习的一个主要演变趋势，是从传统的任务特定策略，迈向更为通用的视觉-语言-动作（VLA）模型。借助大规模视觉语言模型与机器人轨迹数据集，VLA 模型能够将视觉观测、语言指令与动作输出融为一体，在跨任务、跨场景的泛化能力上展现出显著潜力。 然而，机器人控制远非简单的“看图回答动作”所能…