（来源：上观新闻）
VLA（Vis🐓🍓ion-La🌠🌖nguage-◽🐂Act🇬🇫ion）架构是目🚦🐄前具身智能领域〰的主流方案，其结▫🏞构清晰：视觉模🍌块负责“看”👑，语言模块🗄负责“理💲解”，动作模块🦂🦸♀️负责“做”🐠。比如一张图里，天✉📓空有雾霾🧗♂️，人物🥛有噪点，背景😱有压缩失🧥🌃真，系🤘统需要逐区域➕识别不同的失真类🍂型👝。
PAND🔳A 展现出了最🌮🧦小的性能下降幅度🦙，而部分商业🤘大模型在 Ha⏳🇧🇿rd 级别的严重😜😽程度分👄🕔类任务上甚至⛅▶下滑到了低于随机👸猜测水平的表⛱⭐现——这说明在面🤟对复杂混合失真💚🦏场景时，这些🎃🧦模型完全"迷🔐失方向🕎🎠"，只能靠➿"惯性"输🐮🇸🇹出一些听起👨👨👧来像样🚙🎅但实际上➖👨👨👧👧随机的答案🎼🚏。
