具身智能機器人已經成為由“本體”和“智能體”耦合而成且能夠在復雜環境中執行任務的智能系統。據高新興機器人，具身智能機器人能夠聽懂人類語言，然后分解任務，規劃子任務，在移動中識別物體，與環境交互，最終完成相應任務。當前，已有不少研究者嘗試將多模態的大語言模型與機器人結合起來，通過將圖像、文字、具身數據聯合訓練，并引入多模態輸入，增強模型對現實中對象的理解，幫助機器人處理具身推理任務。