蔚来官方的《世界模型NWM有问必答》，正式回应了与VLA的关系：
World Model（世界模型）是一个多元自回归生成模型，输入多模态数据，多模态包含图像和语言等，同时能输出多模态数据，包含图像和行动等等。
所以，当蔚来世界模型打开语言输入时，它就包含了VLA视觉语言行动模型的特征。停车场的自主漫游能力，就是VLA应用的一种形式。
我的个人理解：
目前行业中，对于世界模型应用主要在仿真领域，通过感知、理解世界，在对世界进行重构，让智能体（自动驾驶系统）在其中进行训练。
显然，蔚来的世界模型走了另一个流派，除了感知世界，同时加入了对未来的时空预测，把仿真和planning共同训练，从而让车辆可以直接输出规划轨迹，完成自动驾驶。
而构建蔚来世界模型的元素中，除了图像也包括了语言。
