本研究提出了GEAL框架，解决了3D可操作性学习在泛化和鲁棒性方面的不足。通过利用大规模预训练的2D模型，提升了学习能力，实验结果表明其优于现有方法。

本研究提出CriticAL方法，利用大型语言模型自动生成科学模型的批评，评估预测与数据的差异，从而提高模型的透明度和可操作性，对科学发现具有重要影响。

本研究通过构建解释本体，缩小了模型与用户中心解释之间的差距。结果表明，知识增强提升了大型语言模型在临床问答中的表现，临床医生更关注解释的可操作性。

本文提出了一种基于属性的机器人抓取的端到端学习方法，利用门控-注意力机制融合了工作空间图像和查询文本的嵌入，学习预测实例抓取可行性，并利用抓取前后的对象持久性学习了视觉和文本属性的联合度量空间。模型在模拟中自我监督，可推广到新的对象和真实场景，并演示了只用一个抓取数据即可适应新对象的能力。在未知对象上，实验结果表明，我们的方法实现了超过80％的实例抓取成功率，优于几个基准模型。