世界动作模型
共 17 篇相关内容
LiberAI 发布 Liber-0，打通人类动作经验到机器人
11 月 4 日，物理世界模型初创公司 LiberAI 正式发布世界动作模型 Liber 0。 根据官方信息，Liber 0 在超 220 万小时的人类经验数据上完成预训练。团队采用 GPT 6 提出的 60 项操作任务做零样本评测：任务分…
对话 Copper-Policy 团队：从像素预测走向紧凑世界表征
为了让机器人具备更强的认知与物理交互能力，研究者开始探索世界动作模型（WAM）。WAM 通过视觉动力学预测场景的演化，将「世界应当变成什么样」与「机器人如何实现这一变化」联系起来。即使测试时不生成未来，联合训练的收益仍然存在。 那么，WAM…
港大、港科广、北大等五校团队联合发布 AffordanceWAM，靠可供性激活真人训练视频
AffordanceWAM 的核心突破，是将「物体可交互位置与方式」的可供性，纳入世界动作模型的显式预测目标，彻底解决真人第一视角视频难以适配机器人训练的行业痛点，让原本容易造成负迁移的真人数据，转变为可规模化扩展的有效监督信号。 9 月 …
DreamFree 依托表征蒸馏，脱离未来视频生成实现机器人控制
机器人想要学会操作，首先要预判场景接下来会如何变化。不少世界动作模型会借助预训练视频扩散模型完成这件事：先脑补出未来画面，再依据画面输出动作。但生成想象画面是部署阶段成本最高的环节，生成一组动作序列需要执行数十步去噪。一旦想象的画面出现偏差…
清华团队提出 Utility-WAM，按需启用未来视频做机器人动作规划
把「先想几帧未来画面，再出动作」写进策略，是具身智能近两年很受关注的技术路线。机器人可以在模型内部推演后续场景画面，让动作规划获得动态前瞻能力，理论上更适配长程、多阶段任务。 但是，预测未来画面会改动模型输出的动作，改动有好有坏，正负效果互…
谷歌发布 Genie 4，Genie 系列首次原生生成音频
北京时间 10 月 28 日凌晨，谷歌 DeepMind（Google DeepMind）在官方博客发布新一代世界模型 Genie 4，谷歌官方博客同步发文介绍，谷歌 CEO Sundar Pichai 同时在 X 上发帖宣布。能实时交互、…
8B 负责推理，8B 负责「想象」：达摩院给机器人搭了个什么大脑？
主：8B 负责推理，8B 负责「想象」：达摩院给机器人搭了个什么大脑？ 副：大模型，开始用视频打草稿 小红书正文 对于机器人来说，脑补被遮挡的物体实在太难了。10 月 23 日，阿里巴巴达摩院团队联合湖畔实验室发表论文《迈向统一具身大脑》（…
获 9,000 万美元种子轮融资，Dream Labs 同步亮相了新模型
获 9,000 万美元种子轮融资，Dream Labs 同步亮相了新模型 10 月 19 日，机器人 AI 公司 Dream Labs 宣布完成 9,000 万美元种子轮融资，同步推出机器人基础模型 Dream 1 和公开 API。本轮融资…
同一天两篇论文，复旦大学付彦伟团队：机器人先行感知，接住新视角下的动作
同一天两篇论文，复旦大学付彦伟团队：机器人先行感知，接住新视角下的动作 机器人伸手抓取被杂物遮挡的杯子，最直观的解法就是转动腕载相机重新观测。但相机转动会同步改变机械臂构型，策略将面临训练期间从未见过的初始状态，图像、位姿与剩余任务之间的关…
英伟达 Jim Fan 团队新作：只拉长历史解决不了 WAM 短板，核心需靠自回归预测
Long WAM 发现「能拿到历史」不等于「会用历史」：只有视频底座先以自回归方式学会从过去推未来，拉长上下文才能真正实现性能上涨。基于这一结论，团队将这套世界动作模型打造为可在边缘设备实时运行的系统。上下文时长从 0 秒拓展至 19.2 …
贾奎团队新作：让世界动作模型真正理解三维空间
UNITAS 将观测、动作与场景变化统一至同一个米制三维坐标系：以点轨迹表征人手与夹爪的运动，用场景流描述场景点的位移，让世界动作模型不再单纯依靠图像推测环境演化。模型参数量仅 1.7 B，在 LIBERO 基准测试上取得 99.8 % 任…
清华赵行团队与北大刘珂团队发布 SkelWAM，用骨架让策略零样本跨十种机械臂
SkelWAM 实现了在一台机器人上训练好的操作策略，可以直接部署到其他不同结构的机器人身上。研究团队设计了一套统一手臂骨架的公共几何表征。模型接收视觉画面，读取本体状态，预测后续动作，全部基于这套表征。策略只在 Franka 上训练，迁移…