RT-2:将视觉与语言转化为行动的新模型

DeepMind 推出视觉-语言-动作(VLA)模型 RT-2,它同时学习网络数据和机器人数据,把知识转化为机器人控制的泛化指令,在未见过的场景上成功率从 RT-1 的 32% 提升到 62%,并展现出符号理解、推理和思维链规划等涌现能力。