从多模态大模型到通用具身智能体：方法与经验

文章预览

文章：From Multimodal LLMs to Generalist Embodied Agents: Methods and Lessons 作者：Andrew Szot, Bogdan Mazoure Omar Attia1 Aleksei Timofeev Harsh Agrawal1 Devon Hjelm1 Zhe Gan1 Zsolt Kira Alexander Toshev Apple,  Georgia Tech 编辑：点云PCL 欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。 文章仅做学术分享，如有侵权联系删文。 公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。 文章未申请原创，未经过本人允许请勿转载，有意转载联系微信920177957。 摘要 本文探讨了多模态大语言模型（MLLMs）在传统语言与视觉任务之外处理不同领域问题的能力，特别关注具身智能（Embodied AI）、游戏、用户界面控制（UI Control）和规划等领域。为此提出了一种将 MLLM 适配为通用具身智能体（Generalist Embodied Agent, GEA）的方法。GEA ………………………………