MotorMind：用通用视觉语言模型实现零样本机器人操作

MotorMind 提出一套脚手架方法，让通用视觉语言模型无需专门训练即可直接完成零样本机器人操作。现有 VLA 模型在新任务和新环境中的零样本泛化能力有限，且依赖专门训练，无法直接受益于快速迭代的通用 VLM；而现有智能体机器人系统往往依赖大量外部模型和工具，带来额外复杂度与成本。