CitySeeker досліджує, як моделі зорової мови (VLM) можуть ефективно виконувати втілену міську навігацію, одночасно неявно розуміючи та задовольняючи людські потреби. Ми пропонуємо рамки, що інтегрує візуальне сприйняття, розуміння мови та міркування здорового глузду, щоб дозволити VLM орієнтуватися у складних міських середовищах, інтерпретувати людські інструкції та приймати рішення, які відповідають уподобанням користувачів та безпеці. Це дослідження має значні наслідки для розробки інтелектуальних допоміжних навігаційних систем та автономних транспортних засобів.