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

TOC\o"1-2"\h\z\uLLM：以文本为核心的语言基础模型 4概念界定与提出背景 4核心机制：自回归预训练与Transformer 4能力边界与应用场景 4代表性模型与公司 4VLM：视觉模态如何接入语言底座 5概念界定与技术脉络 5核心机制：视觉编码、模态对齐与语言推理 5能力边界与应用场景 6代表性模型与公司 6VLA：动作输出如何进入多模态模型 6概念界定与提出背景 6核心机制：动作表征、连续生成与系统分工 7能力边界与应用场景 8代表性模型与公司 8LLM、VLM、VLA关系：模态扩展与约束递进 8架构关系：从文本到视觉再到动作 8问题与数据递进：从数字语料到真实动作轨迹 9演进时间线 9中国厂商在三个层次的布局 10风险提示 10表1：LLM代表性模型一览 5表2：VLM代表性模型一览 6表3：VLA代表性模型一览 8表4：LLM、VLM、VLA多维对照 9表5：LLM–VLM–VLA关键演进时间线 9表6：中国主要厂商在LLM、VLM、VLA三个层次的布局 10LLM：以文本为核心的语言基础模型LLMVLMVLA概念界定与提出背景坦福CRFM确+核心机制：自回归预训练与LLM以自回归方式进行下一词元预测依托TransformerTransformer令（HFnsucGT1.B人175BChatGPTDeepSeek-R1能力边界与应用场景LLM（Agent）代表性模型与公司表1：LLM代表性模型一览模型机构时间关键信息GPT-3OpenAI20201750亿参数，自回归GPT-4/4oOpenAI2023/2024多模态；参数未官方公开PaLMGoogle20225400亿参数，Pathways训练，Google官方，Llama3.1Meta20248B/70B/405B，开放权重，Meta官方博客，旗舰多模态对话模型；参数未公开，Anthropic官Claude3/3.5AnthropicClaude3/3.5Anthropic2024DeepSeek-V3/R1深度求索2024.12/2025.01通义千问Qwen2.5/3阿里巴巴2024–2025V3总参671B、激活37BMoE；R1纯RL推理Nature20250.5B–235B；72BLlama-3-405B，技术报告，文心ERNIE 百度 2023起

知识增强；国内最早对标ChatGPT之一，百度官方，混元Hunyuan 腾讯 2023起 千亿参数级，全链路自研，腾讯云官方，GLM/Kimi/

智谱/月之暗面/MiniMax

2024–2025

GLM-4系列；KimiK2总参约1T、激活32B，开源；MiniMaxabab/M系列OpenAI、Meta、Google、Anthropic、DeepSeek等公司官网 整理VLM：视觉模态如何接入语言底座概念界定与技术脉络LLMASurveyonMultimodalLargeLanguageModels为LLMLLMVLMpatchtoken化；CLIP4-语言对齐基础；Flamingo提出Q-Former确立视觉编码器、投影层和LLM的主和Gemini进一步将VLM核心机制：视觉编码、模态对齐与语言推理VLM1）2）MLP、Q-Formertoken；3）LLMtokentokenCogVLMLLM区分拼接式多模态与原生多模态两类路径。VLMtokenLLMLLMtokentoken能力边界与应用场景VLMOCR（GUI）代表性模型与公司表2：VLM代表性模型一览模型 机构 时间 关键信息CLIP OpenAI 2021

约4亿图文对对比学习，视觉-语言对齐基座Flamingo DeepMind 2022 80B，门控交叉注意力，少样本BLIP-2 Salesforce 2023 Q-Former连接冻结视觉编码器与LLM/4o OpenAI 2023/2024 商用多模态，图入文出/omni，Gemini Google 2023起 原生多模态Qwen-VL/2-VL 阿里巴巴 2023–2024 动态分辨率+M-RoPE；72B可比InternVL上海人工智能实验室/商汤2023起InternViT-6B，开源，学术影响大CogVLM/GLM-4V智谱AI2023起视觉专家深度融合Yi-VL/Step/豆包零一万物/阶跃星辰/字节2024起开源6B/34B；千亿级多模态；C端规模化OpenAI、GoogleDeepMind、Salesforce、阿里巴巴等公司官网 整理VLA：动作输出如何进入多模态模型概念界定与提出背景视觉-语言-GoogleDeepMindtoken语言tokenSayCan的语言规划和技能执行，以及GatoX-Embodiment/汇集22100万agNeVA核心机制：动作表征、连续生成与系统分工VLAVLMVLM和π0VLMPaliGemma50HzNVIDIAGR00TN1System2System1GO-1-语言VLAtokenOpenVLA50HzVLMGR00TN1GO-1体token路线一，离散动作tokentokentoken和OpenVLA。token，π050HzVLMtokenVLMtokenGO-1连续轨迹之间的隐动作token，属于厂商表述中的中间层设计。该设计试图在语义规划和连续控制之间建立更稳定的接口。System1/System2VLAVLMtokentoken能力边界与应用场景VLA代表性模型与公司表3：VLA代表性模型一览模型 机构 时间 关键信息Google 2022 token化，700+指令GoogleDeepMind 2023.07 首个命名知识迁移OpenX-Embodiment/RT-X

21家机构 2023 22本体、100万+轨迹OpenVLA 斯坦福等 2024 7B开源，约97万演示，超π0 PhysicalIntelligence 2024 PaliGemma+50Hz连续动作GR00TN1 NVIDIA 2025 开源人形基础模型，双系统GeminiRobotics GoogleDeepMind 2025 基于Gemini2.0，动作为新输出模态GR-2/GO-1/GraspVLA

字节/智元/银河通用 2024–2025

视频-语言-动作；ViLLA隐动作；合成数据抓取基座GoogleDeepMind、PhysicalIntelligence、NVIDIA等官方网站 整理LLM、、VLA关系：模态扩展与约束递进架构关系：从文本到视觉再到动作LLMVLMLLM基在VLM出，通常通过动作token、动作头或连续动作生成模块实现。问题与数据递进：从数字语料到真实动作轨迹NVIDIA黄仁勋在CES2025将AI划分为感知AIAI和物理VLA表4：LLM、VLM、VLA多维对照维度LLMVLMVLA输入文本图像+文本图像+语言指令+本体状态输出文本文本机器人动作关键技术自注意力、预训练、RLHF视觉编码器+模态对齐动作token化/流匹配/双系统训练数据 文本语料 图文对，CLIP约4亿，

机器人轨迹，OpenVLA约97万，代表作 GPT、DeepSeek CLIP、、Qwen-VL 、π0、GR00TN1关系定位 基座 LLM+视觉 VLM+作出AttentionIsAllNeed《LanguageModelsareFew-ShotLearners《LearningTransferableVisualModelsFromNaturalLanguageSupervision《TrainingLanguageModelstoFollowInstructionswithHumanFeedback》等学术文献 整理演进时间线表5：LLM–VLM–VLA关键演进时间线年份 里程碑 所属层次2017Transformer架构GoogleLLM底层架构2018GPT/BERT，预训练范式确立LLM起点2020GPT-3，1750亿参数，LLM规模化2021CLIP，OpenAI，约4亿图文对，VLM起点2022FlamingoDeepMind/ChatGPT发布VLM成熟/LLM出圈2023GPT-4V/RT-2，首个命名VLA，VLM→VLA跨越2024π0/OpenVLAVLA扩散2025GR00TN1/GeminiRoboticsVLA+人形机器人基础模型OpenAI、GoogleDeepMind、Meta等公司官网整理中国厂商在三个层次的布局MiniMax/VLA表6：中国主要厂商在LLM、VLM、VLA三个层次的布局厂商LLMVLMVLA/具身DeepSeek阿里巴巴，通义字节跳动，豆包是是是部分是Qwen-VL是—生态/投资是，GR-2，硬件双线，百度，文心是是—腾讯，混元是是—智谱AI月之暗面KimiMiniMax上海人工智能实验室/商汤是是是是，书生，