В рамках проекта уже создана и обучена модель VLA (Vision-Language-Action), которая преобразует голосовые и текстовые команды, а также данные с камер в конкретные действия. Сейчас она выполняет более 10 базовых команд — «взять», «положить», «перенести» и другие. В будущем их количество превысит сотню. Также развивается система Yandex RMS, определяющая, какие действия робот должен выполнить самостоятельно, а какие — в кооперации с другими машинами.

«Люди получат возможность взаимодействовать с роботами привычным способом — голосом, жестами и текстом. Это упростит роботизацию бизнеса: компаниям не потребуется дополнительно обучать персонал и кардинально перестраивать процессы. К примеру, будет достаточно показать роботу инструкцию, написанную для людей, — и он поймёт, что нужно делать», — отметили в Яндексе.