VLAモデルとは

画像による視覚情報と文章による指示を理解した上で、ロボットなどをどう動かすかという具体的な行動手順まで出力できるAIモデルです。

たとえるなら — 「赤いコップを取って」と言われたら、目で見て位置を把握し、手を伸ばして掴むところまでこなすロボットの頭脳です。