理想的这个新一代VLA架构，看起来和小鹏的二代VLA颇有相似之处。 MindVLA-o1，基于统一的VL-A，V和L之间的串联符合消失不见； 而小鹏的二代VLA，核心也是拆掉L，因为由V到L的转译会导致信息离散化、信息丢失，同时消耗大量算力，产生延迟，由视觉直接到动作，做到极致的效率。 有种感觉，最终大家还是要回头来做“端到端”，但绝不是之前的小模型、拼凑的端到端，用刘先明之前在一场Workshop的话说就是： “极致端到端”。