2026-05-31 · 特辑｜从 LLM 到 VLA：会看会说会动的模型，差在哪个字母

The Long View · Jun 1, 2026 · 52m · transcript

一期把当下最容易混淆的几个模型范式一次讲清的技术特辑：大语言模型 LLM、视觉语言模型 VLM、视觉动作模型 VA、视觉语言动作模型 VLA，以及世界模型。它们名字只差一两个字母，但每多一个字母，背后都对应一个被攻克或仍未攻克的硬核工程问题。

从最底层的 token 与 Transformer 讲起，一路深入到 2026 年最前沿的 VLA 是怎么把连续动作塞进一个语言模型里的——离散化（RT-2）、扩散与流匹配（π0）、双系统快慢分离（GR00T N1 / Figure Helix）三条路线，以及联合训练为什么不可或缺。再讲清世界模型这个唯一向前预测世界的范式（Sora / Genie / Cosmos 的生成式 vs JEPA / Dreamer 的隐空间预测），和 VLA 的三种互补关系，以及 Yann LeCun 的世界模型派与规模派之间真正的、可被实验证伪的分歧。