视频预训练模型小样本即出触觉地图,研究者称结果并不显然

KyleMorgenstein · x · 2026-10-16

Kyle Morgenstein 在 X 上讨论一项机器人触觉研究:基于视频预训练的 DVA 模型,只需少量触觉数据,同一个视频骨干网络就能生成触觉地图。他认为这并不显然——触觉对视频预训练模型名义上是分布外(OOD)输入,一个视觉模型在做无视觉的任务,且能用极少数据完成准确的触觉预测,相当困难。回复中提到动作信息只通过 IDM 引入,规模差异也是关键变量:DVA 是为视频预测深度对齐的模型,小模型上未必能复现同样结果。