该文综述多模态视觉表征与机器人操控研究，通过多任务微调预训练视觉编码器，并利用任务融合解码器改进R3M、MVP、EgoVLP等表示以提升下游操控性能；同时涉及对比学习、概率分布编码、多模态提示与CriticGPT偏好反馈等方法，增强迁移与规划能力。