3 万小时第一人称视频训世界模型:动作学会了,物理后果没学会

xuanalogue · x · 2026-10-13

Jiahua Dong 团队用 3 万小时第一人称视频训练世界模型后发现:模型学会了手会往哪里去,却远没学会被触碰的物体发生了什么;从 300 小时扩到 3 万小时,差距没有缩小,模型加大 4 倍也几乎无效。

Tonghe Zhang 据此批评「扩大视频数据规模就能解决机器人问题」的说法:不懂 POMDP——存在从观测中永远无法解码的状态,perception is deception。这项结果为「视频缩放路线的观测局限」提供了定量证据。