【第一篇续：VLA 与 VLM 深度对比（续）】
九、一些具体的模型
VLM 这边，值得关注的：
- CLIP（OpenAI，2021）：对比学习的经典之作，后续很多模型都拿它做视觉编码器
- LLaVA 系列（2023-2025）：开源 VLM 的代表，社区活跃
- Qwen2-VL / Qwen3：阿里巴巴出品，中文场景表现好
- Emu3（2024）：尝试原生多模态统一架构，不分开处理视觉和语言
- RT-1 / RT-2（Google，2022-2023）：端到端 VLA 的早期代表
- OpenVLA（2024）：开源的通用 VLA 模型，社区在用它做各种扩展
- GR00T N1（NVIDIA，2025）：双系统架构，针对人形机器人
- Pi-0（2024）：专注灵巧操作的 VLA 模型
- 专门场景的 VLA：自动驾驶（CoVLA、OpenDriveVLA）、医疗机器人、农业机器人
十、简单总结
VLM：看懂世界，说出来——输出是文字
VLA：看懂世界，动起来——输出是动作
两者不是替代关系，是递进关系。
VLM 是 VLA 的基础，VLA 是 VLM 往具身智能方向的延伸。
实际做系统的时候，大多数情况是用 VLM 做感知和规划，
用 VLA（或者专门的控制策略）做执行——各取所长。
如果只记住一句话：VLM 的输出是文本，VLA 的输出是动作，这是两者之间最根本的界线。