Vision-Language-Action (VLA)
ArchitecturesUne architecture de modèle qui reçoit des entrées visuelles et linguistiques et produit directement des actions — mouvements de clavier et de souris, commandes à un robot — en temps réel. Entraînée de bout en bout sur des trajectoires (Gamer de miHoYo utilise plus de 10 000 heures de gameplay), c'est la classe derrière les agents GUI et les politiques de robotique qui agissent en regardant l'écran, sans API ni état privilégié.

