掩码视觉动作让视频动作模型跨机身泛化，甚至能覆盖猩猩

CSProfKGD · x · 2026-07-25

一条机器人线程称，视频-动作模型已经成为通用机器人方向的 SOTA，关键推进来自 RhodaAI 的 Direct Video-Action Model。

帖文重点介绍了一个新思路：用 masked visual actions 让视频动作模型更省数据、也更少依赖具体机身。引用内容称，团队只用 15 小时单臂机器人视频训练了一个 video world model，就能 zero-shot 泛化到未见过的机身，甚至包括 orangutans；模型还能根据“你希望物体如何运动”去合成对应的机器人动作。