vision-language

π0 是 Physical Intelligence 发布的通用机器人策略原型，以视觉、语言和机器人状态为输入，通过流匹配生成连续动作。

Z.ai 开源的多模态模型系列，覆盖文本、图像、视频和文件输入，并加入原生函数调用能力。

Mistral 面向具身导航的 8B 模型，以单个 RGB 摄像头和自然语言指令驱动机器人移动。