通用模型与具身模型
两者有继承、组合与联合训练关系。需要逐个比较输入输出、训练目标、数据和部署位置。
| 问题 | 通用 LLM/VLM 的典型位置 | 具身模型/策略的典型位置 |
|---|---|---|
| 主要输出 | 文本、语义表示、计划、工具调用；部分统一模型也能生成其他模态 | 动作、轨迹、技能参数、空间预测或具身推理结果 |
| 训练信号 | 大规模文本、图像、视频等，辅以后训练 | 机器人状态—动作、交互结果、演示、奖励，通常也利用通用数据 |
| 机器人用途 | 指令理解、场景推理、计划、交互、数据辅助标注 | 操作、导航、运动策略、接触行为、闭环执行 |
| 关键难点 | 物理约束、幻觉、时延、工具执行可靠性 | 本体差异、数据效率、泛化、动作稳定性、闭环安全 |
“具身模型”也可能主要输出语义推理，不一定直接控制电机；“通用模型”也可能经过适配产生动作。分类以实际接口和训练证据为准。
VLA 是一类视觉—语言—动作建模方式；VLN 主要描述视觉语言导航任务及相应方法。两者不是简单的同级竞争路线，一个系统可以同时使用二者。