视觉语言导航（VLN）技术迎来新突破。一项研究通过直接引入多模态大语言模型Gemini-Pro-Vision，有效解决了传统方法中图像与文本转换的鸿沟问题，并通过创新的任务分解与指令缩减策略，在零样本学习中显著提升了导航成功率，为具身智能的发展提供了新思路。
智能速览
首个将多模态LLM直接融入VLN任务的智能体架构。
设计了任务分解与提示管理系统，实现流程精细化控制。
提出指令缩减策略，有效降低长任务中的token消耗。
利用免费API在零样本设置下，成功率超越先前方法5.7%。
这项研究不仅展示了多模态大模型在具身智能任务中的巨大潜力，也为解决AI领域信息转换的复杂问题提供了新范式。随着模型能力的持续增强，未来的智能体或许能更自然地理解和交互，我们离真正的通用人工智能又近了一步吗？
