本文探讨了无监督机器人操作中的视觉-语言-行为映射，提出了多模态变分自编码器及模型不变训练方法，提升了模拟环境中的性能。介绍了3D-VLA模型，通过交互令牌与环境互动，显著改善了推理和规划能力。此外，提出了QUAR-VLA新范式，结合视觉信息和指令生成可执行动作，提升机器人智能。研究分析了视觉语言模型的优势与局限，并展望未来研究方向。