AI系列深度09期：从LLM到VLM再到VLA意味着什么？.docxVIP

东吴证券研究所1/11

东吴证券研究所

请务必阅读正文之后的免责声明部分

请务必阅读正文之后的免责声明部分

证券研究报告

证券研究报告·行业深度报告·汽车

汽车行业深度报告

汽车行业深度报告

AI系列深度09期：从LLM到VLM再到VLA意味着什么？

2026年07月31日

增持（维持）

投资要点

nLLM、VLM、VLA可理解为同一技术脉络上逐层扩展模态和输出能力的三类大模型。LLM以文本为输入输出，主要解决语言理解、生成和推理；VLM在语言底座上加入视觉理解，使图像和文字在同一语义空间交互；VLA进一步把动作作为输出模态，使模型能够驱动机器人或车辆在物理世界中行动。三者存在继承关系，但不能简单归结为同一种next-token机制。

n从概念脉络看，LLM由Transformer、GPT等奠定，核心是以海量文本和自监督训练形成语言基础模型；VLM由CLIP、Flamingo等推动，通过图文对齐、视觉编码器和模态投影，把视觉信息接入语言模型；VLA由GoogleDeepMind在RT-2中明确命名，核心是把视觉、语言与动作统一到策略模型中。

n从数据和表征看，三者难度逐级抬升。LLM训练依赖文本语料，VLM增加图文对和视觉编码，VLA则需要机器人示教、遥操作轨迹、动作反馈和真实环境数据