Глоссарий терминов VLA и WAM: что означают Vision-Language-Action и World-Action Models
В блоге NVIDIA опубликован краткий глоссарий для читателей, которые только знакомятся с терминологией VLA/WAM. Материал объясняет базовые определения и описывает, как используются разные типы моделей в робототехнике.
VLA (Vision-Language-Action model) описывается как роботизированная policy, которая начинается с pretrained VLM backbone и затем адаптируется для генерации действий на основе visual observations и language instructions. В публикации отмечается, что large-scale VLM pretraining является ключевой частью этого подхода. В качестве примеров упоминаются Pi-0 и GR00T N1.
WAM (World-Action Model) определяется как policy, которая начинается с pretrained world-model или video…
Ключевые факты
VLA (Vision-Language-Action model), это роботическая policy, которая начинается с предобученного VLM‑бэкбона и адаптируется для генерации действий на основе визуальных наблюдений и языковых инструкций.
Ключевой частью подхода VLA является крупномасштабное предобучение VLM.
В качестве примеров, связанных с VLA, упоминаются Pi-0 и GR00T N1.
WAM (World-Action Model), это policy, которая начинается с предобученной world-model или video.