本文探讨了多模态大型语言模型（MLLMs）在超越传统语言和视觉任务的能力，重点介绍了通用具身代理（GEA）的适应过程。GEA通过多具身动作标记器在不同领域自我定位，利用大规模具身经验数据集进行监督学习，并在交互式模拟器中进行在线强化学习。研究表明，跨领域数据和在线强化学习对构建通用代理至关重要，最终GEA模型在多项基准测试中表现优异，超越其他通用模型和特定基准方法。