通过在互联网数据上训练视觉语言模型，将其融入机器人控制中，提高泛化能力和语义推理。实验证明该方法可得到性能优越的机器人策略，使机器人获得新兴能力，如泛化能力和初步推理能力。同时，机器人可进行多阶段的语义推理。

通过在互联网数据上训练视觉语言模型，将其融入机器人控制，提高泛化能力和语义推理。RT-2在训练中获得新能力，包括泛化能力、解释新命令和初步推理。RT-2还可以进行多阶段的语义推理。