Summary
该 survey 给出广义 VLA 定义，并按 components、low-level control policies 与 high-level task planners 三条主线整理 embodied AI 中的模型、训练目标、数据集、simulator、benchmark 与开放挑战。
Problem & Motivation
VLA 从 VLM-to-action、language-conditioned policy 到 modular planner 的边界并不统一，快速增长的论文又跨越 perception、world model、imitation learning、RL 与 robotics 多个传统社区。若只按具体模型罗列，很难比较“谁负责理解目标、谁产生低级 action、谁处理 long horizon”。作者因此把 VLA 广义定义为任何能处理 vision 与 language 并产生 robot actions 以完成 embodied task 的模型，同时把最初基于大 LLM/VLM 的 end-to-end 体系称为 Large VLA（LVLA），试图用 hierarchical robot system 统一 taxonomy。
Method
综述的第一条线是 VLA components，包括 pretrained visual representation、language/vision alignment、world/dynamics modeling、reasoning 与 action representation 等基础模块；第二条线是 low-level control policy，输入 instruction 与 observation，直接输出 translation、rotation、gripper command 等 action；第三条线是 high-level task planner，把 long-horizon instruction 分解为 control policy 可执行的 subtasks，并讨论 language plan、code/API plan、memory、feedback 和 replanning。
资源侧，论文系统整理 real/sim robot datasets、simulators、manipulation/navigation benchmarks 与 embodied question answering，并比较数据规模、scene source、task type 与 metric。分析框架强调 hierarchical separation 的工程原因：planner 可使用高容量模型承担 reasoning，control policy 则优先 speed 与 precision；同时指出端到端 VLA、modular planner 与 world model 并非互斥，而是可能组合成完整 embodied system。作者还维护 Awesome-VLA repository 作为增量资源索引。
Key Results
作为 survey，核心产物不是单一 SOTA 数字，而是 taxonomy 与资源对照。论文把相关研究归纳为 components / control policies / task planners 三层，并列出用于 manipulation、navigation 与 EQA 的训练及评测资源；例如 EQA 表覆盖 EmbodiedQA、IQUAD、MT-EQA、MP3D-EQA、EgoVQA、EgoTaskQA、EQA-MX 和 OpenEQA，区分 active exploration、scene source、answer type 与 metric。
作者总结的主要未解问题包括：需要覆盖更多 skill/object/embodiment/environment 且超越 success rate 的 diagnostic benchmark；robot foundation model 的 generalization 仍远逊于 NLP 中的 LLM；不同 modality 的 representation alignment、long-horizon planner 与 low-level skill interface、real-time responsiveness、安全与 explainability 均未成熟。当前 v8 HTML 还补充了 2026 年前后的 latest VLA developments、subsequent surveys 与 beyond-VLA 方向，且正式版本已发表于 IEEE TNNLS。
Strengths & Weaknesses
Strengths. taxonomy 把“直接 action generation”与“先规划再控制”清楚分层，又保留 world model、representation 和 reasoning component 的横向联系，适合作为 VLA 领域入口。资源表覆盖数据、simulator、benchmark 与 EQA，而不是只列 model leaderboard；v8 的持续增补也缓解了首发于 2024 年的时效问题。
Weaknesses. 广义定义几乎把所有 vision+language-conditioned robot system 都纳入 VLA，虽然便于覆盖，却会稀释 VLA 作为端到端 action model 的可辨识边界。三分 taxonomy 更接近系统模块划分，难以直接表达 data regime、action tokenization、closed-loop frequency、embodiment transfer 等决定实际能力的轴。综述横跨 2024–2026 的快速变化期，表格不可避免存在版本漂移；大量论文的结果来自不同 benchmark/protocol，也不能横向解释为统一排名。对 scale、failure case 与真实部署成本的批判性比较仍弱于资源汇编。
Mind Map
mindmap root((VLASurvey)) Problem Fragmented definitions Rapidly growing literature Method Components Control policies Task planners Results Taxonomy Resource tables Open challenges
Notes
这篇 survey 适合作为领域索引，但做新研究时应在其 hierarchy 上再加两条轴：action interface 的离散/连续与 control frequency，以及 supervision source 的 robot expert / human video / autonomous play。它们比“是否叫 VLA”更直接决定 scalability 与 failure mode。