VLA（Vision-Language-Action）：从视觉 + 语言 + 机器人状态直接预测可执行动作（或动作块）。代表：RT-2（动作当 token）、OpenVLA（7B 开源）、π0/π0.5（flow matching 动作专家）、GR00T N1（双系统）、Gemi…