LLM、VLA、WM、VLX…一文吃透具身智能10个核心概念

你以为 2026 年的 AI，还是 ChatGPT 在对话框里写诗？

错了。今年最炸的赛道叫具身智能——让 AI 拥有物理身体，能打开冰箱、能煎蛋、能在工厂拧螺丝。但凡你点开一篇机器人文章，就会被一串缩写砸晕：LLM、VLA、WM、VLX……

它们到底是什么、彼此什么关系？今天用一条清晰的进化线，帮你一次搞懂这 10 个“机器人黑话”。看完你会明白一句话：AI 正在从数字世界的聊天工具，变成物理世界的行动主体。

LLM：大语言模型，只会读字写字的“原始大脑”

Large Language Model，能吃文本、吐文本的 AI。ChatGPT、DeepSeek、GPT-4 都是它。在机器人里，LLM 是认知内核，负责理解人类指令、把复杂任务拆成步骤——你说“做顿早餐”，它拆成“开冰箱→拿蛋→点火→煎蛋”。但它有个致命缺陷：只认文字，看不见、摸不着、动不了。

MLLM：多模态大模型，给大脑装上“眼睛和耳朵”

Multimodal LLM，能同时处理文本、图像、音频、视频。GPT-4V、Gemini、Qwen-VL 都是代表。它让机器人不仅“听懂”你说什么，还能“看懂”你指着什么——你说“把那个红的拿给我”，它知道“那个”指画面里哪个物体。但 MLLM 仍停留在“看懂”阶段，还不会动手。

VLM：视觉-语言模型，机器人的“眼睛+大脑”

Vision-Language Model，同时理解图像和文字。和 MLLM 的区别：MLLM 覆盖多模态，VLM 专注视觉+语言两个模态。它是具身智能的感知理解层，负责“看懂环境、听懂指令”，能精准回答“图里有什么、场景发生了什么”。行业硬指标：多模态语义对齐准确率 95% 以上，跨模态响应延迟 200ms 以内。VLM 让机器人“看见了”，但还不知道去哪、不知道怎么做。

VLN：视觉-语言导航，机器人的“导航仪”

Vision-Language Navigation，根据视觉信息+语言指令，在三维空间里规划路径、自主导航。你对着扫地机器人说“去厨房把地上纸巾捡了”，VLN 负责搞懂“厨房在哪、怎么走、路上有没有障碍物”。它是空间导航层，解决“去哪里”的问题：室内自主导航、目标搜寻、动态避障都靠它。工业要求：复杂环境导航成功率超 92%，动态避障延迟不超 100ms，定位精度控制在 5cm 内。VLN 让机器人知道去哪，但还不会动手。

VA：视觉-动作模型，最原始的“动手能力”

Vision-Action Model，只靠画面、不需要语言指令，直接从视觉映射出动作。它是 VLA 的前身雏形，解决了 AI“从看到动”的从零闭环：看见零件就抓、看见空位就放、看见障碍就缩。优点响应极快、适合工业固定场景；缺点是没语言理解能力，只能做训练过的固定任务，泛化弱。它是工业机械臂、固定产线的核心模型，也是后来 VLA 的技术基石。

VLA：视觉-语言-动作模型，机器人“大脑+手脚”

Vision-Language-Action Model，把视觉感知、语言理解直接映射成机器人控制动作的统一神经网络，从像素到动作一步到位。它是具身智能最核心的模型，实现“感知-决策-动作”闭环——不光知道“把水果放冰箱”什么意思，还知道机械臂怎么接近、夹爪何时闭合。

VTLA：视觉-触觉-语言-动作模型，让机器人“会摸”

Vision-Tactile-Language-Action Model，在 VLA 基础上加触觉感知。视觉告诉“这是什么”，触觉才告诉“多硬、多滑、多弹”——光靠视觉，机器人难应付柔性物料、精密小件。VTLA 能实时感知受力与形变，动态调整施力，实现无预设轨迹的自适应操作。

2026 世界人工智能大会上，千觉机器人用 VTLA 演示了三大实景 Demo：双臂纸盒成型、耳机精密装配、商品真伪鉴定，证明触觉智能已在真实产业落地。

WM：世界模型，机器人的“想象力”

World Model，在机器人脑海里构建外部世界的内部表征，用来预测未来状态。

和 VLA 的根本区别：VLA 是“输入→输出”映射（看见什么做什么），WM 是“先想象再行动”——动手前先预测“这样做世界会变什么样”。它不参与即时执行，而是给各类模型提供可交互的虚拟试验空间。

自变量机器人发布的 WALL-WM 甚至能做到“事件级预测”：不再问“0.1 秒后什么样”，而是直接想象“抓住杯子那一刻什么样”。WM 让机器人从被动反应，升级为主动预判。

WAM：世界-动作模型，能想象也能行动的“完全体”

World-Action Model，把环境预测（WM 的能力）和动作生成（VLA 的能力）统一在同一框架。WM 只想象不行动，WAM 既想象又行动；VLA 是反应式（看到什么做什么），WAM 是前瞻式（先预测再行动）。

它是具身智能的下一代理模型，天然具备三项能力：融合视频预训练的物理先验、兼容多源数据、通过反事实推演做长时序预判与零样本跨具身迁移。2026 年 7 月，蚂蚁灵波发布行业首个具身原生世界动作模型 LingBot-VA 2.0；银河通用发布全球首个测试时后训练框架 WAM-TTT，让机器人“看段人类视频就能在新场景上岗”。

VLX：感知-导航-执行的“三位一体”

Vision-Language-eXecution，VLM + VLN + VLA 的融合体，把感知、导航、执行三大能力整合进一个模型。它不是行业通用标准术语，而是部分厂商对一体化融合架构的命名，目标是让机器人真理解指令、看懂场景、做出精准动作，像人一样思考与行动。Om AI 联汇的 VLX 系列用端侧原生架构，三层模型协同：VLX-Flow 负责流式理解与文本交互，VLX-Seek 负责细粒度视觉感知，VLX-Go 负责具身导航与执行，构建“从看见、看清到自主行动”的全链路毫秒级闭环。

LLM（只会说）→ MLLM（能看懂）→ VLM（专注看）→ VLN（会导航）→ VA（能动手）→ VLA（动手干活）→ VTLA（会摸）→ WM（会想象）→ WAM（既想又做）→ VLX（全能一体）。

对做 AI 的我们来说，这意味着：光会调 prompt 不够了，未来要懂的是“怎么让模型动手”的整套体系。2026 年，这些缩写不再只是论文里的冷冰冰字母——它们正在变成工厂的机械臂、家里的服务机器人、城市的无人配送车。