本文介绍了京东研究团队在真实场景下开发的具身智能技术架构，重点在咖啡机器人任务的技术突破。通过模仿/强化学习和“视觉-语言-动作”大模型，提升了机器人操作能力，解决了通信延迟和系统稳定性问题。该架构具备高扩展性，能快速适应新任务，实现了咖啡制作的高成功率。未来将继续优化系统，提升泛化能力。