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，提高泛化能力和实现语义推理。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，如对新对象的泛化和对用户指令的推理。机器人还可进行多阶段的语义推理。