# Modele wizja–język–akcja (VLA)

EN: **Vision-language-action models (VLA)** · id `vla`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Robotyka i embodied AI](https://aiatlasgraph.com/t/robotics.md) › [Modele bazowe dla robotów](https://aiatlasgraph.com/t/robotfoundation.md) › Modele wizja–język–akcja (VLA)

## Description

- PL: Modele dla robotów łączące percepcję wzrokową, instrukcje językowe i generowanie akcji, rozwijane jako ogólne polityki przenoszone między zadaniami i robotami.
- EN: Robot models combining visual perception, language instructions and action generation, developed as generalist policies transferable across tasks and robots.

## In one sentence

- PL: To modele, które łączą obraz otoczenia z poleceniem słownym, żeby proponować ruchy robota.
- EN: These models combine a view of the surroundings with a spoken or written instruction to propose robot actions.

## Problem it solves

- PL: Robot musi powiązać to, co widzi, z tym, o co prosisz, i przełożyć oba sygnały na działanie.
- EN: A robot must connect what it sees with what you request and translate both signals into action.

## What it does

- PL: Uczy powiązania obserwacji, poleceń i ruchów na przykładach zadań; zakres przenoszenia na nowe sytuacje zależy od modelu i danych.
- EN: It learns links between observations, instructions and movements from task examples; transfer to new situations depends on the model and data.

## Everyday example

- PL: Prosisz robota, żeby odłożył kubek na półkę; model łączy obraz stołu z poleceniem i proponuje kolejne ruchy ramienia.
- EN: You ask a robot to put a cup on a shelf; the model combines the table image with your instruction and proposes arm movements.

## This concerns you if you…

- PL: chcesz sterować zadaniami robota za pomocą poleceń
- PL: potrzebujesz łączyć obraz sytuacji z wyborem ruchów
- EN: want to give a robot task instructions
- EN: need scene perception linked to movement choices

## Keywords

pi0 · pi0.5 · RT-2 · OpenVLA · SmolVLA · Gemini Robotics · GR00T · action tokenization

## How it works

- PL: Enkodery obrazu i języka dostarczają wspólny kontekst instrukcji oraz sceny. Głowica akcji przewiduje ruchy jako tokeny, wartości ciągłe lub generowane sekwencje, ucząc się z demonstracji robota.
- EN: Image and language encoders supply shared context for instructions and scenes. An action head predicts movements as tokens, continuous values or generated sequences, learning from robot demonstrations.

## Limits

- PL: Rozumienie instrukcji nie gwarantuje poprawnego sterowania. Nowe roboty, układy scen i opóźnienia wymagają adaptacji; ograniczenia obejmują pokrycie demonstracji oraz fizyczną wykonalność ruchów.
- EN: Instruction understanding does not guarantee correct control. New robots, scene arrangements and latency require adaptation; limitations include demonstration coverage and physical movement feasibility.

## Key terms

- PL: **głowica akcji**: Część modelu przekształcająca reprezentację sytuacji w polecenia ruchu.
- PL: **tokenizacja akcji**: Kodowanie działań jako dyskretnych symboli przetwarzanych przez model sekwencyjny.
- EN: **action head**: The model component converting situation representations into movement commands.
- EN: **action tokenisation**: Encoding actions as discrete symbols processed by a sequence model.

## Know first

- [Modele wizja–język (opisywanie obrazów i pytania o nie) (Vision-language models (VLMs))](https://aiatlasgraph.com/t/vlm.md)
- [Klonowanie zachowań (behavioral cloning) (Behavioural cloning)](https://aiatlasgraph.com/t/behaviorcloning.md)

## Examples

- PL: π₀ / π₀.₅ · RT-2 · OpenVLA · SmolVLA · Gemini Robotics · GR00T

## Subtopics (1 direct, 1 in total)

- [Jak model zapisuje ruchy robota (tokeny i ciągi akcji) (Action tokenization and chunking in VLA models)](https://aiatlasgraph.com/t/vlaactions.md): Representing continuous robot motions in VLA models through discretisation, compression into tokens and prediction of trajectory chunks.

## Related topics

Untyped, symmetric "see also" links.

- [Agenci ogólni grający w wiele gier (Generalist game agents)](https://aiatlasgraph.com/t/generalistgameagents.md)
- [Jedna polityka dla wielu typów robotów (Cross-embodiment robot policies)](https://aiatlasgraph.com/t/crossembodiment.md)
- [Klonowanie zachowań (behavioral cloning) (Behavioural cloning)](https://aiatlasgraph.com/t/behaviorcloning.md)
- [Modele multimodalne (Multimodal models)](https://aiatlasgraph.com/t/multimodal.md)
- [Modele wizja–język (opisywanie obrazów i pytania o nie) (Vision-language models (VLMs))](https://aiatlasgraph.com/t/vlm.md)
- [Modele wizja–język–akcja za kierownicą (Vision-language-action models for driving)](https://aiatlasgraph.com/t/drivingvlm.md)

## Sources

- [π₀: A Vision-Language-Action Flow Model for General Robot Control](<https://arxiv.org/abs/2410.24164>) `pi0-2024` · by K. Black, N. Brown, D. Driess i in. (Physical Intelligence; m.in. C. Finn, K. Hausman, S. Levine)
- [Vision-Language-Action Models: Concepts, Progress, Applications and Challenges](<https://arxiv.org/abs/2505.04769>) `vla-survey-2025` · by R. Sapkota, Y. Cao, K. I. Roumeliotis, M. Karkee
- [Open X-Embodiment: Robotic Learning Datasets and RT-X Models](<https://arxiv.org/abs/2310.08864>) `open-x-embodiment-2023` · by Open X-Embodiment Collaboration
- [LeRobot documentation](<https://huggingface.co/docs/lerobot/index>) `lerobot-docs` · by Hugging Face

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/vla · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30