其实在年初的时候，就有群友队于VLA做了一个预测（图一），八九不离十（万能的群友[种树]）
讲几个感兴趣的点：
①整个VLA模型的推理过程其实已经讲的很清楚了：
第一阶段：对于VL（视觉语言），就是讲收录的信息，进行预训练；
第二阶段：对于Action进行后训；
第三阶段 ：强化学习
第四阶段：加入Agent（智能体）
②VLA的设计呢就是云端+车端。云端是一个32B参量的模型+车端4B的推理模型
③想哥在AI Talk里说了一个全参量的3.2B的基座VL模型是难以跑通的，是采用了8个专家组成的MoE(混合专家模型），【推测】采用了数据冻结的方式，在遇到对应场景时激活相应的专家库，这样做的好处是，可能只需要跑0.x B的模型（效率完全OK）
④理想的VLA在做完Action后还有一个diffusion的扩散，能做到4~8秒的轨迹和环境预测，这是很夸张的程度。目前普遍的只能跑2~3秒[雪糕][雪糕]
想哥也说了VLA应该是目前能力最强的架构（效率最优？不清楚），其实大家可以看一下。一旦技术路线公布，那么工程落地的效果是可以预测的~期待VLA实车！[举手][举手]
理想AI Talk第二季 李想谈辅助驾驶到了新十字路口 李想说当前竞争环境下要练基本功
