我不做vla，不太清楚里面具体实现
这听上去像是模型的级联了（cascading）,过去十年的实践已经充分证明了，模型级联效果就是不如e2e好
我以前组的老大，一直觉得级联好，从产品角度考虑，中间有输出便于debug，然后被搞llm研究的组打脸，你产品不用e2e，人家发natrue论文，最后我们整个组都被重组，老大离职
总而言之一句话，模型是朝着越来越黑盒的方向前进的
【 在 BIGDADY111 的大作中提到: 】
:
: 现在靠RL吧？
: 另外有没有语言的区别在于，是否能通过语言高效抽象理解世界，语言是否能作为输入token影响最终输出
: 比如理想前一代VLA，可以通过语言影响ACTION，比如命令超车，靠边停车，往前50米什么的，识别到路口防御驾驶降速啥的
: 只是由LLM输出实现得不好，L部分效率不高。
#发自zSMTH@24129PN74C
--
FROM 114.246.239.*