15小时机器人视频训练出零样本世界模型
jbhuang0604 · x · 2026-07-24
Masked Visual Actions 把视频模型变成机器人世界模型
这条转发介绍了 Masked Visual Actions（MVA）：一种把预训练视频模型改造成机器人世界模型的方法。核心思路是把“动作”也表示成视觉语言，让模型回答反事实问题——例如“如果画面中的物体按某种方式移动，场景会如何演化？”
作者强调，这个表示同时覆盖两类对机器人很重要的能力：
- 前向动力学：根据观测和动作预测未来画面
- 逆向动力学：根据观测序列反推动作
帖子还提到，方法只用 15 小时 的单机器人视频微调，却能对未见过的机器人形态和场景 零样本泛化。它不仅能处理机器人动作，也能处理物体运动，因此适合用于基于模型的规划、策略评估和动作推断。
所属事件:仅用 15 小时视频训练出零样本机器人世界模型(3 条相关)→
「具身」频道最新
- ROS 社区迎来新项目负责人 ahcorde，规划 2027 版本 — ___Mufasaa · 2026-10-27
- ROS 社区 10 月 29 日在谷歌纽约办 Meetup，三家公司机器人团队将分享 — kscottz · 2026-10-27
- Tesla 休斯顿 robotaxi 服务区大幅扩张，覆盖范围远超旧围栏 — Polymarket · 2026-10-27
- Walden Robotics 教机器人『呼叫求助』，用远程辅助换取快速部署 — adnothing · 2026-10-27
- 折叠屏铰链由数十个高精度零件构成，一粒沙即可毁掉屏幕 — BenBajarin · 2026-10-27
- 不改一个权重，机器人精度任务从 0/10 提到 9/10 — hbouammar · 2026-10-27