1️⃣Fast-Slow Systems：理解 - 推理 - 行动（Understanding-Reasoning-Acting）核心思想：借鉴人类双系统认知理论（快系统直觉反应、慢系统深度思考），将感知与决策分层。

流程：视觉编码器（Vision Encoder）提取图像特征，通过投影器（Projector）对齐到语言空间。

大语言模型（LLM）分别承担快速感知理解和慢速逻辑推理两个角色。推理结果输入动作生成器（Action Generator），输出最终控制指令。特点：优势：推理能力强，适合复杂场景决策，可解释性高。劣势：模块多、链路长，延迟较高，模块间对齐误差会累积。

2️⃣VLA（Vision-Language-Action）：理解 - 行动（Understanding-Acting）核心思想：简化 Fast-Slow 架构，直接将视觉 - 语言 - 动作端到端对齐，是当前主流的具身智能范式。流程：视觉编码器提取环境特征，经投影器映射到 LLM 的嵌入空间。LLM 直接融合视觉与语言信息，输出动作决策。动作生成器将 LLM 输出转换为可执行的控制信号。特点：优势：结构简洁、部署高效，适合端侧实时场景，是当前工业界主流方案。劣势：依赖大规模多模态数据对齐，复杂推理能力弱于 Fast-Slow 系统。

3️⃣World Model：生成式行动（Generative Acting）核心思想：通过构建虚拟世界模型，让智能体在 “脑海” 中预演未来，再基于模拟结果决策。流程：文本编码器输入任务指令，驱动视频 / 3D 高斯生成器（Video/Gaussians Generator）重建环境动态。生成的世界模型输入逆动力学模型（IDM），预测实现目标所需的动作序列。特点：优势：极强的泛化与规划能力，能应对未见过的场景，无需大量真实交互数据。劣势：计算成本极高，世界模型精度直接决定决策可靠性，落地难度大。

🔄 范式演进与统一模型从左到右，技术范式在简化链路、强化端到端能力：Fast-Slow → VLA：弱化显式推理模块，追求实时性与工程可行性。VLA → World Model：从 “感知 - 直接决策” 转向 “模拟 - 规划决策”，更接近人类认知。

而右侧的Unified Model是最终目标：用单一 Transformer 架构，统一视觉、3D、语言、本体状态等多模态输入。输出覆盖世界生成、推理、动作、评判等全能力，实现 “一个模型搞定所有具身任务”，彻底消除模块间的对齐损耗至简动力具身智能