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
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- 波兰开发者做 iPhone 应用 可探测附近的 Meta 智能眼镜 — Low-Honeydew6483 · 2026-09-11
- 蚂蚁阿福用户达 1.5 亿，外滩大会展示 AI+硬件健康管理联盟 — APPSO · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11
- SyncWorld:少量视觉校准即可零样本模拟机器人跨视角交互 — ChongZzZhang · 2026-09-11
- 狗类 3D 姿态数据集发布，动物动捕研究可用 — ducha_aiki · 2026-09-11