多模态学习

MMSkills：面向通用视觉代理的多模态技能框架

本文介绍了MMSkills框架，它通过将文本程序与运行时状态卡和多视角关键帧耦合，来表示、生成和使用可复用的多模态程序，从而提升视觉代理的运行时决策能力。