정의
LLM에 vision encoder(눈)와 action 출력(행동)을 붙여 만든 범용 로봇 제어 모델. VLM(Vision-Language Model)에 action을 추가한 구조이며, 하나의 모델이 어떤 몸체(embodiment)와 어떤 task든 수행하는 Robot Foundation Model을 구현하는 주된 수단이다.
핵심 속성
- 구조: LLM → (vision 추가) VLM → (action 추가) VLA. 예: SmolLM → SmolVLM → SmolVLA
- action 정의: 로봇 각 관절의 각도/좌표 값. 게임의 방향키 입력에 해당
- World Knowledge 활용: LLM이 가진 상식 덕에 처음 보는 모양의 컵도 “컵”으로 인식해 집을 수 있음 — 기존 rule-based 로봇은 불가능했던 일반화
- generalist 전환: specialist 모델(걷기 전용, 잡기 전용)에서 모든 task를 하는 범용 모델로 이동
- 유사 용어: RFM(Robot Foundation Model), LBM(Large Behavior Model) — VLA로 수렴 중
관계
- 20260603-action-data-does-not-exist-on-the-internet — 연장: VLA의 핵심 병목
- 20260603-physical-intelligence-company — 적용: 대표 개발 조직
- 20260603-verifiable-reward — 대조: 검증 가능 도메인과 달리 물리 데이터는 희소
인용
LLM에다가 양쪽에다가 눈 붙이고 행동 붙여서 만든 모델이 VLA이고 대부분의 VLA는 거의 다 이렇게 만들어지고 있어요.