在具身智能领域，VLA（视觉-语言-动作）模型正迅速崛起，成为引领技术革新的关键趋势。近日，谷歌推出了一款名为Gemini Robotics On-Device的VLA模型，该模型专为机器人端侧设计，无需依赖数据网络，即可在设备本地离线运行。
Gemini Robotics On-Device展现了强大的视觉、语义和行为泛化能力。它能够理解自然语言指令，并执行诸如拉开拉链、折叠衣物等高难度任务。这一突破性的进展，标志着机器人在理解和执行复杂指令方面迈出了重要一步。
VLA模型作为具身智能领域的新范式，赋予了机器人将语言意图、视觉感知与物理动作融为一体的能力。今年以来，不仅谷歌推出了Gemini Robotics系列模型，微软、Figure AI等海外巨头也纷纷涉足这一领域。在国内，银河通用、智元机器人、自变量机器人等公司也在积极布局，推动VLA模型的发展。
谷歌DeepMind团队推出的Gemini Robotics，被誉为“机器人版的安卓”。这款模型基于Gemini 2.0打造，如同机器人的“大脑”，使其能够理解复杂环境并执行精细任务。在演示视频中，Gemini Robotics借助双臂机器人，流畅地完成了折纸、拉拉链等动作，展现了其卓越的性能。
而Gemini Robotics On-Device的发布，更是为机器人产业的落地应用开辟了新路径。它标志着具身智能从依赖云端算力向本地自主运行的转变，使得机器人在无网络环境中也能独立作业。这一转变对于机器人在工厂、灾区等场景的应用具有重要意义。
Gemini Robotics On-Device具备三大显著特点：专为灵巧操作设计、可通过微调适应新任务、经过优化可在本地实现超低延迟推理。谷歌还推出了Gemini Robotics SDK，帮助开发者评估模型性能，加速新技能的学习。开发者只需50至100个演示即可完成模型评估，大大降低了机器人学习新技能的门槛。
随着VLA模型的兴起，国内机器人公司也在积极跟进。银河通用推出了TrackVLA和GroceryVLA两款端到端VLA大模型。在演示中，搭载了GroceryVLA的机器人Galbot能够准确理解指令，在商超场景中为顾客选择食物并送到手中，展现了其强大的零样本泛化能力。
智元机器人则发布了首个通用具身基座模型智元启元大模型（GO-1）。该模型采用Vision-Language-Latent-Action架构，实现了利用人类视频学习和小样本快速泛化。GO-1已成功部署到智元多款机器人本体之中，提升了其智能化水平。
自变量机器人则研发了WALL-A这一端到端统一具身大模型。该模型突破了传统分层架构的噪声传递问题，支持从原始传感器信号到机器人动作的纵向统一和横向任务统一。自变量机器人在不到一年半的时间内完成了7轮融资，累计融资金额超10亿元，其坚持的“大小脑统一的端到端大模型”路线备受投资机构青睐。
