视觉-声音-语言-动作

迈向视觉-声音-语言-动作范式：面向声音中心操作的 HEAR 框架

业内首创将主流视觉-语言-动作（VLA）模型拓展为视觉-声音-语言-动作（VSLA）统一具身大模型，结合因果音频记忆与流匹配生成高保真轨迹。