面试题库 › 算法 / 大模型 › VLA 视觉-语言-动作模型的基本架构

VLA 视觉-语言-动作模型的基本架构

难度 ★★★在 1 场真实面经中被问到 方向:算法 / 大模型考点:视觉与多模态模型

哪些公司问过

原力灵机1

常见岗位:推理部署与加速

答案要点

  1. 组成:视觉编码器、语言模型主干、动作输出模块,输入为图像、指令和本体状态
  2. 自回归离散化:如 RT-2、OpenVLA,把动作量化为词元逐个生成
  3. 连续动作生成:如 π0 用流匹配动作专家,或用扩散策略
  4. 动作分块:一次预测未来一段动作,提升平滑性和有效控制频率
  5. 训练:图文预训练 VLM,再用机器人演示数据模仿学习微调

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题