Inspirationnée par les progrès réalisés dans la modélisation linguistique à grande échelle, nous appliquons une approche similaire pour construire un agent généraliste unique au-delà du domaine des sorties textuelles. Cet agent, que nous appelons Gato, fonctionne comme une politique générale multi-modale, multi-tâches et multi-incarnations. Le même réseau avec les mêmes poids peut jouer à Atari, légendrer des images, converser, empiler des blocs avec un bras robotique réel et bien plus encore, en décidant en fonction de son contexte de produire du texte, des couples articulaires, des appuis sur des boutons ou d'autres jetons. Dans ce rapport, nous décrivons le modèle et les données, et documentons les capacités actuelles de Gato.