桌上摆着几个相似的杯子时，与其费劲描述“左边第二个”，人通常会直接一指：“拿这个。”DeicticVLA想把这种交流方式交给机器人：同一个VLA（把视觉、语言和动作连起来的模型）既能接收纯语言，也能理解“语言加指点”，还可以只看指点完成任务。
具体来说，论文用点击机器人视野中的位置来模拟指示手势，再由SAM 2把点击扩展成掩码——一张标出目标物体或落点像素的选区图。系统把三种输入统一整理成文字提示和掩码，交给同一套VLA处理。这样，“这个”“那里”不必完全依靠模型猜测语言所指，而能落实到画面中的具体区域。
最醒目的结果来自真实环境中的未见类别测试：作者报告，语言加指点和纯指点的成功率均为100%，联合训练的纯语言模式只有16.7%。这说明在陌生物体面前，直接指出目标可能比精确描述更稳。不过，论文采用的是屏幕点击，并非直接识别人手指向；100%也只对应作者设置的三项真实机器人任务，不能据此推断它已适用于开放环境。