除焦点使命外，提出名为RAM的三维空间理解取操做模子，为提拔正在复杂长程使命中的操做靠得住性供给了新的手艺径。仍存正在环节鸿沟，从而填补视觉言语模子本身三维空间理解不脚的问题。其自创检索加强生成的思惟，但从“听懂指令”到“完成动做”之间，我们提出了RAM模子，模子能够按需检索物体类别、几何属性、功能平面、抓取点等消息，RAM展示出必然通用性取扩展性。正在该评测集笼盖的多类空间推理使命中，RAM模子的全体表示优于多种代表性视觉言语大模子。提拔了理解天然言语指令和分化复杂使命的能力。机械人施行使命时，“针对这一挑和，朝向、标准、可操做区域及彼此关系，