VLA (Vision-Language-Action)

VLA (Vision-Language-Action модели) са мултимодални невронни мрежи от ново поколение в областта на физическия изкуствен интелект и роботиката. Те комбинират компютърно зрение за възприятие на околната среда, езикови разсъждения за анализ на сложни ситуации и директно предсказване на физически действия и траектории за движение. В автономното шофиране VLA моделите разграждат необичайни пътни казуси на последователни стъпки и извеждат безопасни решения чрез логически вериги от разсъждения (chain-of-thought).