Modelo visión-lenguaje-acción de Microsoft Research que, además de la cámara, decide cuándo usar sensores térmicos, acústicos o de radar para guiar al robot.
Lleva los modelos VLA más allá de la imagen en color: según Microsoft, completa el 80,6 % de las tareas guiadas por calor, sonido o radar.
Pesos abiertos y código con licencia MIT en Hugging Face y GitHub.
Basado en VITRA; entrada de imagen más datos térmicos, acústicos o de radar y salida de acciones del robot.
