Визуально-языковая модель, которая по изображению и текстовой инструкции указывает точки для выполнения робототехнических действий.

Подходит для: поиск свободного места на полке по изображению · указание точки захвата или взаимодействия с объектом · определение места для действия по текстовой инструкции и сцене