是“离散词汇”的拼接（VLM 架构，无法连贯）。

的输出，会被送入。

基于大视觉语言模型（LVLM）的技术最新进展，催生了多种技术范式下的大视觉语言模型驱动式图形用户界面（GUI）智能体。以 CogAgent 与 SeeClick 为代表的基于训练的技术方案，因依赖特定数据集开展训练，存在跨数据集与跨平台泛化能力薄弱的问题。：译为跨数据集与跨平台泛化能力）以 GPT-4V 为代表的通用型大视觉语言模型（LVLM），采用标记集合（Set-of-Marks, SoM）技

神经网络是一层一层组织起来的一个层状结构。简单来说，就是由输入层，隐藏层，输出层组成。用于接受数据，节点数等于输入特征的维度。也就是神经网络进行思考的地方。就是产生预测结果。神经网络最重要的一个步骤就是学习，那么他是如何学习呢？实质上就是重复“进行前向传播计算损失函数进行反向传播进行更新权重”，从而重复“反向传播”从而的得到最优参数。

稀疏模型的构建通常以稠密模型为基础，然后按。

是一种能够自主感知环境、做出决策并采取行动的智能实体。是一种预定义的、线性的任务执行流程，旨在自动化和优化特定业务流程。中每个智能体都是具备独立思考和决策能力的自主实体。实现真正的智能协作。相比之下，更像是一个"精密的生产线"，通过预定义的流程节点和条件分支，实现业务流程的自动化执行。在面对极其复杂或步骤繁多的任务，多 Agent 系统会将其拆解为若干个易于处理的子任务。系统内的每个 Agent

该结果表明，仅使用窄域数据微调大预训练模型，不足以得到可在真实野外场景部署的机器人策略。因此，采集多样化的开放式真实场景数据，对于模型适配全新环境与未知物体、实现有效泛化依然至关重要。

若要让机器人真正具备实用价值，就必须走出实验室，在真实物理世界中完成各类实际应用任务。尽管视觉 - 语言 - 动作（VLA）模型在机器人端到端控制上已取得亮眼效果，但这类模型在真实野外场景中的泛化能力上限，仍是一个尚未解决的开放性问题。本文提出。

LLM可以利用自然语言指令，利用海量常识知识，生成类人的推理过程。

精细操作任务依赖高精度闭环反馈，需要机器人具备极强的手眼协调能力，从而根据环境变化实时调整动作、重新规划轨迹。此类操作任务的例子包括打开调味杯盖或安装电池，这些操作涉及精细的操作，如捏合、撬开和撕裂，而非像挑选和放置这样的大动作。以图 1 中打开调料杯盖为例：杯子初始竖直放置在桌面，右侧夹爪需要先将杯子放倒，再推送至左侧张开的夹爪内；然后左侧的夹爪轻轻合上，将杯子从桌上抬起。接着，右手一根手指从下