模型通过自注意力机制，无障碍地分析“苹果”（视觉令牌）、“捡起绿色海绵”（语言令牌）和“先前手的位置”（动作令牌）之间的关系，然后预测出。：对于机械臂的7个维度（x, y, z, 横滚，俯仰，偏航，夹爪）和底盘的3个维度（x, y, θ），分别将其可能的取值范围均匀划分为256个区间。是一个可学习的模块，它可以从EfficientNet输出的81个视觉令牌中，动态地筛选出最相关的少数几个（如8个）