Yilun Du

机器人可能不需要专用大脑，而是利用视频模型

一篇新论文介绍了一种名为 Masked Visual Actions (MVA) 的方法，该方法通过利用视频生成模型来统一机器人的世界建模和动作生成。MVA 不训练专门的机器人基础模型，而是将动作视为视频帧内的掩码轨迹，从而使机器人能够直接利用成熟的视频模型。这种方法只需要极少的微调，在不同机器人硬件上展现出强大的零样本泛化能力，并为工业自动化中的跨体挑战提供了潜在解决方案。