编辑：编辑部

【新智元导读】2025年，全球具身智能赛道爆火，VLA模型成为了绝对的C位。从美国RT-2的开创性突破，到中国最新FiS-VLA「快慢双系统」，VLA正以光速硬核进化。

2025年，具身智能可真是太火了。

而提到具身智能，不得不提——视觉语言动作模型（Vision-Language-Action，VLA）。

作为具身智能的核心驱动力，VLA正席卷全球，成为研究人员们的「新宠」。

从产业界到学术界，全球的主流公司与研究机构，都在加速向这一方向靠拢，达成了罕见的共识。

在硅谷，诸如谷歌DeepMind、Figure AI、Skild AI、Physical Intelligence等行业领军者，早已开始发力押注VLA的未来。

几周前，谷歌曾发布了首个离线VLA模型，让机器人不用联网，即可精准操控完成任务。

与此同时，中国在这一赛道上的表现也毫不逊色。

近日，国内具身智能代表性创企——智平方，联合头部高校发布了一款全新的VLA模型——Fast-in-Slow（FiS-VLA）。

这款模型最大的亮点，是将双系统模块中的「快系统」嵌入「慢系统」，打破了机器人「操控效率」与「推理能力」不可兼得的困局。

论文链接: https://arxiv.org/pdf/2506.01953

项目主页: https://fast-in-slow.github.io/

代码链接: https://github.com/CHEN-H01/Fast-in-Slow

从放置水果到叠毛巾，FiS-VLA加持的机器人不仅秒懂指令，还能以惊人速度流畅执行。

更令人振奋的是，自今年以来，与VLA相关的学术论文呈爆发式增长。

根据谷歌学术统计，VLA相关结果共有2820条；而今年，就有1390条结果，几乎占全部结果的1/2。

放眼全球，VLA的热潮不止于此。

VLA技术加速机器人从实验室走向物理世界，并催生出了各具特色的技术分支。

这不仅印证了VLA的巨大潜力，也预示着，它正在重塑智能机器人与人类交互的未来。

或许你一定好奇，VLA为何成为了具身智能的「新范式」？

VLA超进化

谷歌RT-2成关键节点

若想破除这一疑问，前提是必须理解VLA模型的重要性。

机器人要像人类一样，既能理解复杂指令，又能灵活应对环境，快速行动——

目前，端到端VLA大模型是最符合第一性原理的解题思路。

作为AI领域的一颗新星，VLA模型将视觉、语言、动作三种模态融在一体，让具身AI不仅能「看懂」世界、「听懂」指令，还能执行任务。

想象一下，一个机器人能理解「将物品放置在冰箱」，并与同伴「共脑」合作，精准完成抓取放置任务——

这就是VLA的魅力！

与传统对话式AI不同，VLA通过统一的模型架构，将多模态信息整合处理，实现了从感知到动作的「端到端闭环控制」。

正是它的出现，让机器人从过去的预编程、简单遥控的「机械执行者」，进化为真正的通用具身智能。

那么，VLA究竟何时出现的？又是如何炼成的？

2022年，谷歌Robotics团队的RT-1横空出世，这是接近VLA的机器人基础模型的代表工作之一。

论文链接：https://arxiv.org/abs/2212.06817

这是机器人领域，首个大规模训练的Transformer模型。

RT-1通过模仿学习，在多样化的机器人演示数据上训练，具备了跨任务的泛化能力，比如它能完成「把可乐放入冰箱」多步骤任务。

它首次将「预训练+微调」的范式引入了机器人控制领域，为后续VLA模型的提出奠定了基础。

RT-1的出现，开创了多任务的「视觉-动作」模型。

既然「预训练+微调」范式行得通，为什么要重新训练大模型？

与纯文本任务不同，机器人系统必须具备对现实世界物理规律、环境上下文的深入理解，并能执行具体动作。

这些问题远远超出了语言模型最初的设计范畴：它不仅要「理解文字」，更要「执行意图」。

随后，研究者尝试将语言融入机器人系统。但这些方法通常存在功能有限、适用范围狭窄或为开环系统，难以实现实时互动与基于反馈的动态调整。

2023年，微软提出了ChatGPT for Robotics，首次将对话大模型应用于机器人，实现了零样本任务规划。

论文链接：https://arxiv.org/abs/2306.17582

这时，只需动动嘴皮子——我想用积木块拼出微软logo，模型瞬间领会完成拼图。

这项研究，将LLM用于机器人控制的设想变成现实，并在机器人领域，引领了一种全新研究风潮——「LLM+机器人」。

不过，它也暴露了语言模型在低级动作控制上的局限，如何让语言与动作的深度融合，成为下一个突破的难题。

几乎同时，谷歌带来了PaLM-E，首次将视觉感知能力融入超大语言模型PaLM中。

PaLM-E最大参数达5620亿，实现了视觉问答、图像描述、机器人操作规划的统一。

在开放领域视觉问答上，PaLM-E刷新了SOTA，还将互联网规模的语义知识迁移到机器人控制中，为后续多模态模型提供了关键的设计范式。

VLA范式正式确立

经过四个多月迭代后，23年7月，谷歌DeepMind的RT-2正式上线，明确提出了VLA概念。

RT-2首创性地将机器人动作离散化为文本token，与视觉语言数据联合训练。

得益于此，它展现出了强大的泛化能力，在从未见过的物体上完成指令响应、理解数字符号和多步推理。

RT-2在未见任务上实现了超50%的成功率

这一刻，标志着VLA范式的正式确立，开启了「大模型驱动机器人控制」的新方向。

技术追逐赛加速

中国具身企业国际舞台首发声

自此之后，国内外具身智能玩家竞相加速，掀起了一场激烈的VLA技术追逐战。

2024年6月，中国队提出创新方法，破解VLA领域的长期痛点，迅速崭露头角。

众所周知，机器人操作基本目标之一是理解视觉场景并执行动作。尽管RT-2这类VLA可以处理一些基本任务，但还有两个痛点：

（1）面对复杂任务，推理能力不足；

（2）在微调和推断上，算力成本太高。

而状态空间序列模型Mamba，只有线性复杂度，但也实现了情境感知推理。

那为什么不把Mamba引入VLA，解决之前的痛点？

在这一关键时刻，智平方作为国内具身智能领域的领先者，展现了其技术创新的深厚实力。

他们与北大等顶尖机构一起，率先将Mamba引入VLA架构模型，推出了革命性的轻量化结构RoboMamba。

这一突破，直接让VLA模型实现了效率与推理泛化能力的重大飞跃。

论文链接：https://arxiv.org/abs/2406.04339

具体而言，RoboMamba将视觉编码器与Mamba大模型融合，实现视觉常识理解与机器人专项推理能力。

相比之前的VLA模型，RoboMamba不仅复杂度降低了，还显著提升了长序列推理能力。

而且RoboMamba仅微调0.1%参数，即可实现SE(3)位姿的预测与操控能力。

在模拟和真实环境下，推理速度是主流模型的3倍，成为VLA实时性挑战的突破口。

RoboMamba证明了，状态空间建模范式在VLA中的高效性，引领了Transformer替代方案的新探索。

这一突破性成功入选了人工智能顶级盛会 NeurIPS 2024，也创造了中国具身公司在VLA领域国际舞台的首次发声！

紧接着，同月，来自Physical Intelligence、斯坦福、谷歌等机构的团队，则针对RT系列模型所暴露出的问题，开源了一款全新的大规模VLA模型——OpenVLA。

此前的RT系列模型虽展示了VLA模型的通用泛化能力，但其对物理空间的表达能力，即视觉编码器（Vision Encoder）在精细化识别上，表现不佳。

举个栗子，让RT-2机器人分类同色积木块、将可乐放在霉霉身边的任务中，表现并不理想

OpenVLA有7亿参数，基于Llama 2骨干构建，融合了DINOv2和SigLIP视觉特征，并在97万个真实机器人示教数据集上完成了预训练。

令人意想不到的是，OpenVLA在29种操作任务中，碾压55亿参数的RT-2-X，成功率高出16.5%。

论文链接：https://arxiv.org/abs/2406.09246

OpenVLA仅以1/7的体积，就实现了性能超越，还能在消费级GPU上快速适配各种任务。

比如，让它把香蕉放在盘子里，OpenVLA就会直接将其放在盘子中间。

最强泛化？

国产原创「混合架构」出圈

继RoboMamba、OpenVLA推动了模型开源和效率提升之后，Physical Intelligence提出的π系列模型重新思考一个问题：

如何用最简结构，实现VLA最强泛化？

2024年10月31日，π₀，一款通用机器人流匹配策略模型诞生。

在预训练视觉语言模型基础上，π₀叠加了流匹配架构，集成了互联网级语义知识，同时还支持单臂、双臂、移动操作臂等多种灵巧机器人的连续动作建模。

在洗衣折叠、桌面清洁、装配盒子等复杂任务中，π₀展现出零样本执行、自然语言指令遵循、快速微调新技能的能力。

π₀架构

得益于其「流匹配+预训练语义模型」的架构，为高自由度连续控制场景提供了全新路径。

与此同时，π₀还承接了RT-2对语义泛化的关注，进一步推动了AI社区对VLA模型研究。

时隔半年，π₀.₅作为初代增强版发布，更加聚焦开放世界泛化能力的提升，强化了在未见环境中的适应能力。

π₀.₅在未见家庭场景中，无需训练即可高质量完成清洁任务，处理从模糊指令到详细动作的多种输入。

它的诞生，真正实现了在不牺牲精度前提下，提升了「任务泛化」和「环境泛化」的性能，标志着VLA已具备了向现实世界大规模推广的能力。

π系列仅是VLA模型技术模型技术分支的一种：采用扩散架构。

除此之外，随着不同玩家的布局，在VLA全新范式下，已经分化出不同的技术路径。

有的采用自回归架构，有的基于扩散模型的动作解码器，还有的两种架构兼用。

融合自回归+扩散，既要稳又要学得快

HybridVLA，就是混合架构的代表作之一。

这背后，依旧由中国团队主导，他们通过原创突破攻克了复杂环境下鲁棒性与泛化能力平衡的难题，开启了混合动作生成的新方向。

通过自回归和Diffusion+Action Chunk架构，HybridVLA统一了视觉-语言-动作的协作生成。

论文地址：https://arxiv.org/abs/2503.10631

如下图所示，过去基于扩散的VLA方法仅在LLM后端附加独立扩散头（图1a）。

而新方法创新性地提出协同训练方案，将扩散去噪过程无缝融入单一LLM主干的自回归流程（图1b）。

不同VLA中LLM和Diffusion的融合方法对比

具体实现上，针对离散自回归token与连续扩散隐变量在表征层面的异构性，研究者设计了系统化的token序列组织形式，利用特定标记token实现多模态输入、扩散token与自回归token的有机衔接。

从结果上看，HybridVLA在多个仿真和真实世界任务中超越了现有的SOTA VLA方法，这也是PI0.5-KI唯一对比过的中国VLA模型。

值得注意的是，该Paper的一作刘家铭博士目前也是「北大—智平方具身智能联合实验室」的研究员。

最终，机器人实现了全身控制，包括从桌面单臂到全域触达&全身动作，因而适用范围也得到了指数级拓展。

尽管业界在VLA模型的探索成果颇多，但传统方法仍未解决具身智能领域核心矛盾——

视觉-语言模型（VLM）具备很强的泛化能力，但处理速度较慢；

而机器人视觉-运动策略虽然反应迅速，却缺乏通用性。

双系统

泛化性和执行效率全都要

受到卡尼曼双系统理论（Kahneman’s theory）的启发，Helix研究者提出了「双系统架构」：

由基于VLM的System 2处理高层推理，另一个独立的System 1负责实时动作执行。

Daniel Kahneman：诺贝尔经济学奖得主。他将人类思维划分为两种模式：「系统1」反应快速、依赖本能和情绪；「系统2」则更为缓慢、审慎且合乎逻辑

2025年2月21日，人形机器人初创Figure AI发布了突破性的VLA进展——Helix。

这是一个采用「系统1+系统2」架构的端到端机器人大模型。

以往的VLA主干网络，具有通用性但速度不快，机器人视觉运动策略速度快，但缺乏通用性。

Helix通过两个系统端到端训练，彻底解决了这一难题。

系统1（S1）：80M参数交叉注意力Transformer，依靠一个全卷积的多尺度视觉主干网络，进行视觉处理

系统2（S2）：VLM主干网络，经互联网规模数据训练后，工作频率7-9Hz，用于场景和语言理解

这种解耦架构，让每个系统都能在最佳时间尺度上运行，S2可以「慢思考」高层目标，S1通过「快思考」来实时执行和调整动作。

更惊叹的是，在协作中，S1能快速适应同伴的动作变化，同时维持S2设定的语义目标。

Helix也成为最有影响力的「双系统」VLA模型之一。

英伟达：开源GROOT N1

紧接着，3月18日，英伟达Isaac团队则开源了全球首个通用人形机器人基础模型——GROOT N1。

该工作将双系统VLA理念落实到人形机器人领域，加速了学术界和工业界对通用人形机器人智能体的研发。

GR00T N1神经网络架构示意图：采用视觉语言基础模型与扩散Transformer头的创新组合，通过连续动作去噪实现精准控制

GR00T N1标志着人形机器人基础模型的里程碑：通过融合互联网数据和机器人数据，实现了硬件实体上的广义推理与技能迁移。

FiS-VLA：全面睥睨当时最强开源模型π0

然而，此类架构中两个系统相互独立，System 1难以充分利用System 2所蕴含的丰富预训练知识。

为了攻克这一技术瓶颈，智平方联合香港中文大学、北京大学、北京智源研究院，又一次展现了中国具身的实力。

他们创新性地提出了深度融合的快慢系统Fast-in-Slow（FiS-VLA），以突破性技术架构实现了机器人的「即知即行」，为全球VLA技术树立了全新里程碑。

具体来说，Fast-in-Slow（FiS）架构统一了双系统VLA模型：

执行模块System 1被嵌入到System 2中，二者通过共享部分参数的方式连接。

常规算法和FiS对比：FiS-VLA采用完整视觉语言模型（VLM）实现系统2（图中蓝色部分）的推理功能，同时改造LLM的末端Transformer模块作为系统1（图中绿色部分）的执行单元

这是首次在单一预训练模型内实现「慢思考」与「快执行」的协同，成功突破了传统双系统分离的瓶颈。

系统1直接继承了VLM的预训练知识，能无缝理解系统2的「思考结果」（中间层特征）。

从此，它不再是「门外汉」，同时还能保证高速运行。

在FiS-VLA中，两个系统的角色存在根本差异：

（1）系统1负责执行，读取机器人状态、3D点云和当前图像，生成高频控制动作，节奏极快；

（2）系统2负责理解，处理二维图像和语言指令等低频输入，提取任务语义，节奏偏慢。

为此，这次特意引入了异构模态输入与异步运行频率策略。

这种做法让模型既能像「张飞绣花」，又能像「博尔特短跑」：既可快速反应，又能精细推理。

此外，两个系统之间的协调性也是难点：一方面要为系统1注入动作生成能力，但另一方面却要保留系统2的上下文推理能力。

对此，研究者结合扩散去噪目标与自回归目标，提出了双系统感知协同训练策略（dual-aware co-training strategy）。

FiS-VLA框架结构

• 执行模块（系统1，上图绿色部分）：采用扩散建模（diffusion modeling）中概率性与连续性的特点，向嵌入空间注入带噪动作作为潜在变量，学习动作生成。

• 推理模块（系统2，上图蓝色部分）：采用自回归逐token预测的范式作为训练目标，生成离散的语言或动作，避免慢系统发生灾难性遗忘。

这有效解决了传统VLA模型执行频率低、推理与动作割裂的问题：

不仅赋予了System 1高频率执行能力，也促进了推理与执行模块之间的高效协同。

在实验评估中，FiS-VLA的表现显著优于现有方法：在仿真任务中平均成功率提升8%，在真实环境中提升11%。

在RLBench的10个仿真任务上，FiS-VLA取得了69%的平均成功率，明显优于CogACT（61%）和π0（55%）。

而且，哪怕在未采用动作块（action chunking）机制的情况下，FiS-VLA依然实现了21.9Hz的控制频率，运行速度是CogACT（9.8 Hz）的2倍以上，也超过π0（13.8 Hz）1.6倍。

在RLBench上，FiS-VLA与基线方法的性能对比

在真机任务上，不管单臂还是双臂操作的任务，新方法的成功率都全面领先当时最强的开源模型π0。

在真实场景中，FiS-VLA与π0的性能对比

在面对全新物体、复杂背景与多样光照条件等难题时，也展现出了良好的泛化能力，明显领先π0模型。

泛化性实验。左图展示三种泛化测试场景，其中红色方框标出关键差异点

上表中，「Object」(物体)、「background」（背景）与「Lighting」（光照）分别指未经训练的操控对象、复杂背景及光照干扰。

最终，这种快慢系统能够同时快速响应环境变化，同时还能完成长程推理任务。

通往AGI的星辰大海

回顾VLA模型在全球的演进历程，我们见证了，技术的每一次突破如何层层递进，中国具身公司如何为业界贡献力量。

从RT-1的开创，到RT-2确立VLA范式，再到RoboMamba、OpenVLA的开源普及，到Pi0~Pi0.5的进一步泛化、扩大影响力，又到FiS-VLA的实时控制突破，每一步都在不断挑战技术极限。

这构成了VLA动作层面的「自回归到扩散到混合」的演进路径，以及双系统层面的「非端到端到快慢松耦合到快慢紧耦合」的演进路径，不仅展现出VLA模型的强大适应性，也揭示了机器人智能从单一任务到通用能力的进化逻辑。

在这一波澜壮阔的技术浪潮中，智平方作为中国具身智能的代表，以其卓越的创新能力和产业影响力，携手国内顶尖高校与机构，共同铸就了技术新高峰。

通过RoboMamba、FiS-VLA等一系列原创成果，智平方不仅攻克了长序列推理、实时控制等VLA难题，更以中国智慧为全球具身智能的发展注入了强劲的动力。

短短三年的时间，VLA技术完成了从实验室走向工业落地的华丽蜕变。

随着GROOT N1、Helix、FiS-VLA等模型的部署，VLA将在人形机器人、智能制造等领域大放异彩。

如今，VLA模型加持下的人形机器人，已经进车间打工了。

站在2025年全新节点上，VLA模型不仅仅是技术的突破，更是人类迈向AGI的坚实一步。

一起共同期待，VLA如何在未来重塑世界，开启机器人智能的黄金时代！