KAIST FRED 自蒸馏改进世界动作模型，人转机器人技能成功率 19.4%→50%
kaist-ai · hf · 2026-10-23
KAIST 与 RLWRLD 提出 FRED（Future REpresentation learning via self-Distillation），改进世界动作模型（WAM）中的单步未来视频表征质量。WAM 通过在单步去噪中提取的中间未来视频表征来驱动动作解码器，避免昂贵的迭代去噪，因此动作预测质量直接取决于这些表征的好坏。
- 方法：以真值未来观测中提取的表征为目标，用自蒸馏让模型从纯噪声一步预测未来表征；同时把历史观测作为时间上下文条件输入。
- 效果：在多样真实操作场景中持续超越现有 WAM，在长程与分布外任务的零样本泛化上提升尤其大；人转机器人技能迁移显著改善——仅出现在人类视频、机器人训练数据中不存在的任务上成功率达 50.0%，而最强对比 WAM 仅 19.4%。
- 代码与模型已开源（GitHub 与 Hugging Face）。
「具身」频道最新
- 机器人公司实测：12 台测试机器人中 10 台无需微调即可上手 — micoolcho · 2026-10-23
- EmbodiedEvo:让机器人智能体在试错中积累 Skills 与 Lessons 自我进化 — jiqizhixin · 2026-10-23
- Figure 每秒采集 81 分钟机器人数据，一周数据花费约 810 万美元 — joecole · 2026-10-23
- 盘点真正规模化赚钱的物理 AI:Waymo、Robotaxi、Matic 三家 — jokrvivek · 2026-10-23
- UCLA 校友创办的 Coco Robotics：室友搭档做人行道送货机器人 — zhoubolei · 2026-10-23
- Figure 04 进入设计冻结，Brett 称其为「人形机器人的 iPhone 1」 — chris_j_paxton · 2026-10-23