视觉语言动作模型（Vision-Language-Action,VLA）是一种多模态智能系统，能够将视觉感知、语言理解与机器人动作控制深度融合。

VLA 通过端到端学习，直接根据视觉输入和自然语言指令来生成机器人可执行的动作序列或控制策略。其核心优势在于其强大的场景理解与泛化能力，使机器人能在复杂、动态的真实环境中完成开放指令的任务，如家庭服务、工业操作等，是实现通用具身智能的关键路径之一。