تم اختبار هذه الروبوتات في 30 منزلًا غير مألوف في منطقة خليج سان فرانسيسكو دون أي تدريب إضافي أو بيانات من تلك المنازل. حيث قامت بترتيب الغرف، وطي المناشف، وترتيب السرائر باستخدام ما تعلمته مسبقًا. هذا النوع من التعميم في العالم الحقيقي يُعد خطوة كبيرة للروبوتات الشبيهة بالإنسان. ركّز الحوار بشدة على التعميم بدون تدريب (zero-shot generalization)، مما حلّ مشكلة السياسات الهشة التي طالما عانت منها مهام التلاعب الروبوتي. من خلال الاستفادة من تضمينات متعددة الوسائط مُدرَّبة مسبقًا على نطاق واسع، يقوم شبكة سياسة الروبوت بربط المدخلات البصرية مباشرة بعزم المفاصل دون الحاجة لإعادة تدريب مخصص للمهمة. تتيح هذه القدرة الناشئة بدون تدريب للمنصة تنفيذ سير عمل تلاعب جديدة بنجاح والتعامل ديناميكيًا مع البيئات غير المنظمة. وقد وصف المدير التنفيذي (بريت أدوكت) التحول المعماري من التحكم التقليدي القائم على أنابيب هرمية إلى هياكل شبكة عصبية موحدة للإدراك والتحكم. إن تقارب تحسين الحوسبة الطرفية، ودقة دمج المستشعرات، والتعلم من البداية إلى النهاية يُقلص الجدول الزمني للنشر الذاتي. لا يزال نأمل أن تطلق @continuumlabs_ قريبًا ننتظر بفارغ الصبر