用视频模型做机器人控制
oier_mees · x · 2026-07-13
作者在 RSS 2026 上介绍了最新工作 **Mimic-Video: Video-Action Models for Generalizable Robot Control Beyond VLAs**。 核心问题是：如果机器人的策略不再建立在静态的视觉-语言骨干上，而是建立在**预训练视频模型**之上，会发生什么？ 他们提出 **Video-Action Models（VAMs）**，利用大规模视频中学到的丰富时序表征来提升机器人学习。论文声称，这样相比传统 **Vision-Language-Action（VLA）** 模型，能带来更好的样本效率和训练速度，同时还能随着基础视频模型继续进步而受益。 作者也提到他正在悉尼参加 RSS，先是 Pioneers Workshop，再在主会报告这项工作，并欢迎现场交流机器人学习、机器人基础模型等话题。