研究发现3万小时第一人称视频仍教不会世界模型物体交互

Toyota Research 等机构与 Jiahua Dong 团队合作的新研究《What 30,000 Hours of Ego-centric Video Does Not Teach》用 30,012 小时第一人称视频训练世界模型。结果显示，模型能学会手部动作的去向，却远未学会被触碰物体发生的物理后果；且将数据从 300 小时扩到 3 万小时，这一差距并未明显缩小，说明单纯堆叠第一人称视频数据难以让模型掌握物理交互规律。

2026-10-13 ~ 2026-10-14 · 2 条相关