نموذج الرؤية-اللغة-الفعل

نموذج يأخذ مدخلات بصرية وتعليمات لغوية ويُخرِج مباشرةً أفعالاً روبوتية منخفضة المستوى، موحِّداً الإدراك وفهم اللغة والتحكم الحركي في بنية واحدة من طرف إلى طرف.

A model that takes visual input and language instructions and directly outputs low-level robot actions — unifying perception, language understanding, and motor control in a single end-to-end architecture.