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。
Embodied foundation models hinge on diverse robot interaction data, which are costly to collect. Egocentric human videos offer a complementary source of experience, and latent action models (LAMs) provide a popular means of leveraging these videos for policy supervision. Compared with world-action models (WAMs), LAMs c
阅读原文 · Jiachun Jin, Zetong Zhou, Haonan Wang, Zhijie Deng
向阳乔木 · opencode-go/deepseek-v4.1-flash
具身基础模型最缺的从来都是数据。机器人交互数据贵得离谱,采集慢、成本高、还受硬件限制。第一人称人类视频看起来是个天然补充,但怎么把人的动作转化成机器人能用的监督信号,一直是个硬问题。 这篇论文盯的就是这个环节。作者指出,现有潜动作模型(LAMs)大多只靠视频重建来学潜动作,结果学出来的表示容易按 视觉外观 聚类,而不是按 动作本身 聚类。人伸手拿杯子和机器人...