搜索结果

中期训练语料约 30,110 小时、22 个机器人平台，真实与仿真比例约 84:16；四步蒸馏后官方测得约 10.1 FPS，最长展示约 105 秒的连贯回滚；在 WorldSimProbe 上对五个开源动作条件世界模型领先五项中的四项，均分 66.6；EWMBench 总分 6.09；八个不同水平的 OpenVLA-OFT 策略在 PrimeSim 与 LIBERO 物理模拟器中的成功率 Spearman ρ=1.00、Pearson r=0.99；在 PrimeSim 内做 200 步 GRPO 后，策略在物理模拟器中的成功率从 61.7% 升至 73.2%；作者称将发布权重与代码

策略 Transformer 在 V-JEPA 2.1 特征空间中从头训练；推理时只生成动作，未来特征预测仅用于训练；无具身预训练设定下，La-JEPA L 在校正指令的 LIBERO-Plus 上成功率为 88.0%（发布指令为 84.1%），LIBERO 为 98.1%；RoboTwin 2.0（仅用干净演示训练）上，La-JEPA B 干净场景 86.2%、随机场景 35.4%、均值 60.8%（三种子平均值）；作者称在相当或更好的性能下，优化后的推理可比 Fast-WAM 快最多约 5 倍；四个真实 Franka 桌面任务平均成功 17.50/20，与具身预训练的 π0.5（17.25/20）相当；代码位于 github.com/mt-clemente/lajepa

动机：现有潜动作常纠缠外观变化，限制跨本体；方法：复用视频扩散模型提取紧凑潜动作；目标：执行一致、外观/本体更不变；提交日期 2026-11-03（cs 相关）

数据：23 个数据集、12 本体、约 15022 视频小时；模型规模 22M–8B；称迄今最大 JEPA predictor；想象误差呈二阶幂律，可外推至 4B/8B；代码与 checkpoint：github.com/facebookresearch/robo_jepa

机器人策略能否在没见过的环境里完成没训练过的行为，是机器人学习里最难绕开的问题之一。NVIDIA的DreamGen资料给出的切入点是视频世界模型：先用图像到视频生成模型合成机器人执行任务的视频，再把视频转成可训练的“神经轨迹”。

1X发布的世界模型（1XWM）补充技术报告，这是一个预测机器人未来观测和任务价值的生成式视频模型。；称其为首个面向全身人形机器人的世界模型，能根据动作指令预测接触和全身操作。；展示1XWM作为策略评估器，其准确度随自主运行数据增加而提升，并与真实世界评估高度相关。

机器人操作里，视觉经常给不出足够信息。往瓶子里倒水时，瓶子的外观几乎没有变化，光看画面无法判断水满没满；真正在变化的是声音，是音高随水位上升的过程。Fan Zhang 与 Michael Gienger（Honda Research Institute EU）的这项工作，把声音从“辅助感官”推到世界模型的核心：先预测接下来会听到什么，再据此决定动作。

在强化学习里，世界模型通常把整个环境状态压缩成一个 global latent vector，这种做法在机器人操作任务上是否够用，是这份资料要回答的核心问题。它给出的答案是：不够。

这份资料要回答的是，机器人操作的世界模型能否在视觉空间里准确模拟细粒度的机器人-物体交互，并让动作轨迹中的每个动作与生成视频的对应帧精确对齐。材料指出现有方法常忽略这种动作-帧对齐，而操作任务本身很精细，细微偏差就可能导致任务失败。

灵巧操作里最难的部分，往往不在相机看得见的地方。抓握是否稳固、接触是否正在滑移、多根手指之间如何分担力，这些量从视觉中只能被部分观测。DexTacWAM 要回答的正是：当世界模型已经能从视频里预测场景如何演化，它能否同样预测看不见的接触如何演化，并据此生成动作。