视频动作基础模型用于机器人控制
omarsar0 · x · 2026-07-11
提出一种把世界状态与潜在动作放在同一语义潜空间中的视觉-动作 tokenizer，并对齐到冻结的视觉基础模型。
核心思路是：模型通过无标注视频自监督学习潜在动作，因此不只依赖稀缺的机器人演示数据，web video 也能提供控制信号。
所属事件:LingBot-VA/VLA 2.0发布:原生具身基础模型与跨机身控制(24 条相关)→
「具身」频道最新
- UniAction 统一动作条件框架:单一世界模型驱动多种动作类型 — ZeYanjie · 2026-10-27
- StackChan 机器人上演 AI 短剧：Hermes Agent 用 JSON 脚本统筹表演 — alexcovo_eth · 2026-10-27
- DONIC 双手机器人追踪成功率 86.79%，远超此前 SOTA 的 9.43% — liuziwei7 · 2026-10-27
- Bedrock Robotics 融资 6 亿美元,改装挖掘机已在商业工地全自动驾驶接单 — Sethwinterroth · 2026-10-27
- AW-0 世界动作模型发布：一个生成式模型同时管规划、预测与控制 — trevordarrell · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27