Vision-Language-Action (VLA)
ArchitettureUn'architettura di modello che riceve input visivi e linguistici e produce direttamente azioni — movimenti di tastiera e mouse, comandi a un robot — in tempo reale. Addestrata end-to-end su traiettorie (il Gamer di miHoYo usa oltre 10.000 ore di gameplay), è la classe dietro gli agenti GUI e le policy di robotica che agiscono guardando lo schermo, senza API o stato privilegiato.

