Ideal Auto เชื่อว่า VLA สามารถบรรลุเป้าหมายในการผสมผสานการมองเห็นแบบ 3 มิติและ 2 มิติได้

ในทางอุดมคติ VLA ควรสามารถมองเห็นโลกกายภาพได้ครบถ้วนโดยใช้การผสมผสานการมองเห็นแบบ 3 มิติและ 2 มิติ ไม่เหมือนกับ VLM ที่สามารถตีความภาพ 2 มิติได้เท่านั้น ในเวลาเดียวกัน VLA ยังมีระบบสมองที่สมบูรณ์แบบพร้อมภาษาและความสามารถในการใช้เหตุผลแบบ CoT (ห่วงโซ่แห่งความคิด) สามารถมองเห็น เข้าใจ และดำเนินการได้จริงซึ่งสอดคล้องกับวิธีการดำเนินงานของมนุษย์