让机器人从视频学技能，CD-LAM 去偏框架提升 12 倍效率

jiqizhixin · x · 2026-08-08

Aether AI 与加州大学圣地亚哥分校（UC San Diego）联合提出了新训练框架 CD-LAM（Causally Debiased Latent Action Model），旨在解决 AI 从视频中学习机器人技能时的动作混淆问题。

现有模型在学习视频时，常将核心动作与无关的背景或杂物混为一谈。CD-LAM 通过在微调阶段引入三种去偏技巧，强制模型仅关注与动作相关的动态变化，从而提取出更纯净、可控的潜在动作表征。

实验表明，该框架在动作跟随、视觉保真度及效率上均优于 DreamDojo 基线。在 140 亿（14B）参数规模下，它仅需少于原来 12 倍的机器人动作适应更新次数即可达到同等效果，并在 20 亿（2B）规模上同样取得显著提升。

「具身」频道最新