Vision-Language-Action-Modelle, kurz VLA-Modelle, verbinden visuelle Wahrnehmung, Sprachverarbeitung und die Steuerung von Handlungen in einem gemeinsamen KI-System. Ein Roboter kann damit beispielsweise ein Kamerabild auswerten, eine Anweisung wie „Lege die Tasse auf den Tisch“ verstehen und daraus passende Bewegungen ableiten. Anders als klassische Robotiksysteme müssen solche Modelle nicht für jede einzelne Aufgabe vollständig neu programmiert werden. Sie sollen Wissen aus Bildern, Sprache und Robotikdaten kombinieren und dadurch flexibler auf neue Situationen reagieren. Bekannt wurde dieser Ansatz unter anderem durch Googles RT-2. Aktuelle Forschung untersucht VLA-Modelle besonders für Industrieroboter, humanoide Roboter und autonome Systeme. Noch bestehen deutliche Grenzen bei Zuverlässigkeit, Datenbedarf, Reaktionsgeschwindigkeit und der Übertragung aus Trainingssituationen in die reale Welt.