Les modèles VLA expliqués

Qu'est-ce qu'un modèle vision-langage-action ?

Un modèle vision-langage-action (VLA) est un réseau de neurones qui reçoit des images et une instruction en langage naturel, et produit directement des commandes robotiques : positions d'articulations, vitesses ou couples. Là où la robotique classique enchaînait des modules séparés (détection d'objets, planification de trajectoire, contrôle), le VLA apprend la chaîne complète de bout en bout, à partir de démonstrations.

Le terme s'est imposé en 2023 avec RT-2 de Google DeepMind, qui a montré qu'un modèle vision-langage préentraîné sur le web transfère sa connaissance du monde à la commande d'un bras robotique : le robot hérite gratuitement de la reconnaissance d'objets, du sens commun et de la compréhension d'instructions. Depuis, le VLA est devenu le socle de la manipulation généraliste, et l'objet d'une compétition intense entre laboratoires.

D'où viennent les VLA ? Ils sont l'aboutissement d'une histoire plus longue : notre pilier histoire de l'IA en robotique retrace comment les vagues précédentes, automatisation programmée puis perception apprise, ont posé les briques sur lesquelles s'appuient aujourd'hui les modèles généralistes.

Comment ça marche

Un VLA se compose de deux blocs. Le backbone est un modèle vision-langage (VLM) préentraîné sur d'immenses corpus web : il apporte la perception sémantique et la compréhension des consignes. La tête d'action convertit les représentations du backbone en commandes motrices.

Deux approches dominent pour cette tête. La première discrétise les actions en tokens, traités comme du vocabulaire supplémentaire du modèle de langage : c'est le choix de RT-2 et d'OpenVLA, simple mais limité en précision et en fréquence de contrôle. La seconde génère des actions continues par diffusion ou flow matching : π0 de Physical Intelligence et GR00T de NVIDIA produisent ainsi des rafales d'actions (action chunks) fluides à haute fréquence. GR00T N1.6 s'appuie par exemple sur un transformer de diffusion de 32 couches pour ce module.

L'entraînement suit la recette des grands modèles : préentraînement sur des données hétérogènes (démonstrations multi-robots, vidéo humaine, données synthétiques), puis réglage fin sur le robot et les tâches cibles. Une évolution notable en 2026 : π*0.6 ajoute une phase d'apprentissage par renforcement (méthode RECAP) qui permet au modèle d'apprendre de ses propres échecs en production.

Quelle différence entre un LLM et un VLA ?

Un VLA partage l'ADN des grands modèles de langage : une architecture transformer et un pré-entraînement vision-langage massif. La plupart des VLA embarquent d'ailleurs un LLM ou un VLM comme « cerveau » qui comprend la scène et la consigne. Mais tout le reste diverge, parce que le monde physique n'est pas un document.

C'est cette différence de nature qui explique l'architecture dominante en 2026 : un module lent qui raisonne (System 2, souvent un VLM) et une tête d'action rapide qui exécute (System 1). Le LLM apporte la compréhension du monde ; le VLA y ajoute ce qu'aucun texte ne contient : le geste.

Panorama 2026

Le paysage s'est structuré en dix-huit mois : chaque grand acteur de l'IA dispose désormais de son VLA, et l'Europe est entrée dans la course avec Mistral AI en juillet 2026.

Deux lectures de ce tableau. D'abord, la spécialisation commence : Robostral Navigate cible la navigation quand Helix ou GR00T visent la manipulation généraliste. Ensuite, l'écart de taille est frappant : de 450 millions de paramètres (SmolVLA) à plusieurs milliards, signe que la question du bon dimensionnement reste ouverte. Retrouvez ces modèles et leurs caractéristiques dans notre comparateur de modèles.

Architectures à deux systèmes

Un même réseau ne peut pas à la fois raisonner sur une consigne complexe et piloter des moteurs à 200 Hz. D'où les architectures à deux systèmes, inspirées de la distinction popularisée par Daniel Kahneman : un System 2 lent, un VLM qui comprend la scène et planifie à quelques hertz, et un System 1 rapide, une policy réactive qui produit les actions motrices à haute fréquence.

Helix de Figure a popularisé ce schéma : un VLM tournant à 7-9 Hz guide une policy visuomotrice à 200 Hz. Helix 02, dévoilé début 2026, ajoute un System 0, couche d'équilibre et de coordination du corps entier à cadence kilohertz. Google DeepMind répartit les rôles entre deux modèles distincts : Gemini Robotics-ER raisonne, planifie et appelle des outils numériques, tandis que Gemini Robotics 1.5 exécute. GR00T N1.6 suit la même logique avec Cosmos Reason en cerveau lent et son transformer de diffusion en contrôle rapide. Cette convergence vers la hiérarchie lent/rapide est l'un des consensus architecturaux les plus nets du domaine.

Les limites actuelles

Trois limites structurent les débats en 2026.

• Généralisation. La plupart des VLA sont évalués dans des environnements proches de leurs données d'entraînement. π0.5 a été conçu précisément pour la généralisation en monde ouvert (nouvelles cuisines, nouvelles maisons), mais le transfert vers des environnements réellement inédits reste le point dur.
• Fréquence de contrôle. Plus le backbone est gros, plus l'inférence est lente. Les action chunks et les architectures à deux systèmes contournent le problème, au prix d'une réactivité moindre aux perturbations entre deux plans.
• Évaluation. Il n'existe pas de benchmark standard : chaque laboratoire publie ses propres protocoles, les évaluations sur robots réels coûtent cher et les comparaisons entre modèles restent fragiles. Des initiatives comme RoboChallenge tentent d'y remédier avec des évaluations à grande échelle sur robots réels.

S'y ajoute la question de la fiabilité : un taux de réussite de 90 % suffit pour une démonstration, pas pour une ligne de production. C'est l'écart que les méthodes d'apprentissage par renforcement en conditions réelles, comme RECAP, cherchent à combler.

Poids ouverts ou fermés : l'enjeu industriel

Pour un industriel, le choix entre poids ouverts et modèles fermés n'est pas idéologique, il est opérationnel. Des poids ouverts (GR00T, OpenVLA, SmolVLA, π0 via openpi) se règlent finement sur vos cellules, vos pièces et vos données, s'exécutent sur site sans que les images de l'atelier quittent l'usine, et s'auditent. Un modèle fermé s'utilise via API ou partenariat, avec la dépendance que cela implique.

Les stratégies des acteurs sont lisibles. NVIDIA ouvre ses modèles pour devenir la couche de base de l'écosystème, ce que TechCrunch résume en « l'Android de la robotique généraliste » : le modèle est ouvert, le calcul qui l'entraîne et l'exécute reste son cœur de revenus. Figure garde Helix propriétaire et verticalement intégré à ses robots. Google DeepMind ouvre l'accès au raisonnement (ER via API) mais garde le VLA pour des partenaires choisis.

Pour l'industrie européenne, la question se double d'un enjeu de souveraineté : l'arrivée de Mistral AI sur la robotique ouvre une alternative continentale. Le conseil pragmatique : prototyper sur poids ouverts pour maîtriser vos données et votre feuille de route, et garder une couche d'abstraction pour ne pas dépendre d'un fournisseur unique. Comparez les robots qui embarquent ces modèles dans notre comparateur robots.

Poursuivre la lecture

• Situer le VLA dans l'ensemble de la stack avec notre pilier stack de l'IA physique.
• Comprendre l'autre famille de modèles qui complète le VLA : notre guide world models et sim2real.
• Comparer les modèles VLA en production dans notre comparateur de modèles.