以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Extending Vision-Language-Action models (VLAs) to humanoid robots requires coordinated whole-body control and diverse demonstrations that are costly to collect in real-world scenarios. Although egocentric human demonstrations provide a complementary source of task experience, differences in visual embodiment and missin
阅读原文 · Yang Liu, Jiacheng Liu, Hengtao Li, Yuheng Huang, Zijian Yang, Ji Dai, Maoxin Wang, Yi Gao, Qishen Wang, Baohua Yin, Peiyang Li, Shuanghao Bai, Mingyang Sun, Pengxiang Ding, Jianqin Yin, Lixin Yang, Donglin Wang
向阳乔木 · opencode-go/deepseek-v4.1-flash
人形机器人的 VLA 一直有个尴尬：机器人数据太贵，人类第一视角视频倒是很多，但两者之间隔着一层“身体不一样”的鸿沟。HuGe 想做的就是把这两类数据接起来。 这篇论文值得关注的点，在于它没有另起炉灶造新架构，而是拿三个已有的代表性 VLA 架构做底座，去预测一个预训练全身控制器的 latent motion token，再配上手部控制信号。 思路是复用成熟...