پژوهشگرانی به سرپرستی یانجون لی روش LANGUAGE-FORCING را معرفی کرده‌اند؛ روشی برای آموزش مدل‌های جهان‌ـ‌کنش ربات با استفاده از توصیف‌های زبانیِ پیشرفت کار. این روش، بردارهای متنیِ یک مدل بینایی‌ـ‌زبانیِ ثابت را با تصاویر آینده‌ای که ربات پیش‌بینی می‌کند هم‌تراز می‌سازد. سربار محاسباتی آن فقط هنگام آموزش است و بنابراین ربات با همان سرعت قبلی کار می‌کند. این روش در بنچمارک HumanoidArena به نرخ موفقیت ۷۹.۱۷٪ رسید و با اختلاف ۹.۴۶ واحد درصد از نزدیک‌ترین رقیب پیش افتاد. در پنج کار دنیای واقعی نیز میزان موفقیت از ۵۳.۳۳٪ به ۷۱.۳۳٪ افزایش یافت.
چرا مهم است
برای توسعه‌دهندگان ربات‌های انسان‌نما، این روش قابلیت اطمینان ربات در انجام کارها را افزایش می‌دهد، بی‌آنکه هنگام کار سرعت آن را کاهش دهد.
