摘要
视觉和语言基础模型在多模态理解、推理和生成方面的显著进展激发了越来越多的努力，旨在将这种智能扩展到物理世界，推动了视觉-语言-行动（VLA）模型的蓬勃发展。尽管当前的方法看似多样，我们观察到现有的VLA模型可以统一在一个单一框架下：视觉和语言输入通过一系列VLA模块进行处理，生成一连串的动作标记，这些动作标记逐步编码更加具体和可执行的信息，最终产生可执行的动作。我们进一步确定，区分VLA模型的主要设计选择在于如何制定动作标记，这些标记可以归类为语言描述、代码、可用性（affordance）、轨迹、目标状态、潜在表示（latent representation）、原始动作和推理。然而，目前对于动作标记的理解仍然不够全面，这严重阻碍了有效的VLA开发，并模糊了未来的发展方向。因此，本综述旨在通过动作标记化的视角对现有的VLA研究进行分类和解读，提炼每种标记类型的优势和局限，并识别改进的领域。通过这一系统的回顾和分析，我们提供了对VLA模型更广泛演进的综合展望，突出了尚未充分探索但前景光明的方向，并为未来的研究所贡献指导，希望将该领域推向更加通用的智能。