UniWALM: Mô hình ngôn ngữ hành động thế giới hợp nhất cho điều khiển robot hiện thân

UniWALM học video, hành động và ngôn ngữ trong một biểu diễn chung, trong đó mỗi phương thức vừa là tín hiệu điều kiện vừa là nguồn giám sát.