谷歌DeepMind的机器人使用Gemini 1.5 Pro进行多模态指示导航，结合了语言和视觉上下文。研究者通过示范游览视频和拓扑图解决了MINT问题，提高了机器人的零样本性能。实验结果显示，Mobility VLA在现实环境中表现出色，长上下文VLM和拓扑图是成功的关键。