小米也发了一篇解释 XLA 的文章
之所以叫 XLA 而不是 VLA，是因为原生多模态输入，不只是 V 的视觉。
同样也不输出 CoT，因为逻辑推理不一定要用语言来体现，而且输出文本浪费时间，这也是俺一直说的，符合更多共识的做法。
![不带文字的都没什么意义[6]](http://image.uczzd.cn/9051472825265982202.jpg?id=0)
