Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use

Yanzhe Chen, Ziyi Yang, Jifeng Zhu, Qiming Huang, Ruihe An, Peiyao Xu, Hesen Yang, Runda Liu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30108 · open-access PDF

Arabic

ويعزز المنشآت المتعددة الجنسيات (MMAs) التفاعل من خلال التفكير، والذكاء، والأدوات، والردود، بشكل لا يصدق كمنشآت استخدام الكمبيوتر، في حين أن المنشآت الروبوتية (RSs) تتألف من التفكير والتشغيل تحت التفكير الفيزيائي. نحن نحدد المنشآت المتعددة الجنسيات المتعددة الجنسيات (MMEAs) كمنشآت مقارنة بالأهداف التي تتألف من التفكير الفني المتعدد الجنسيات مع العمليات الفيزيائية وتحليل القرارات من التعليقات الناجمة عنها.

Machine translation (Meta M2M100); the English original follows.

Abstract

Multimodal agents (MMAs) sustain interaction through reasoning, memory, tools, and feedback, most visibly as computer-use agents, while robotic systems (RSs) couple sensing and actuation under physical dynamics. We define multimodal embodied agents (MMEAs) as goal-directed systems that couple multimodal task reasoning with physical action and revise decisions from the resulting feedback. This raises a central question: what changes when a multimodal agent moves from computer-use to robot-use? We introduce PAPAV, a unified capability-centric framework of five recurring functions: Perceive the c

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Is this paper real? This page was built from OpenAlex and arXiv records, not generated. Software can verify any reference in one call: GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30108, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txt

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange