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。
World action models jointly predict video and actions conditioned on language. Existing studies focus primarily on architectures and training mechanisms, typically treating language-video alignment acquired through video pretraining as an established foundation. However, introducing action learning may impair this alig
阅读原文 · Yu Zhou, Xinyuan Xia, Xuankun Yang, Yinghao Yang, Wendi Chen, Bowen Liu, Jianhan Ma, Weicheng Duan, Jun Lv, Cewu Lu, Yanwei Li
向阳乔木 · opencode-go/deepseek-v4.1-flash
世界动作模型（World Action Model）这两年在具身智能方向热度不低，但大多数工作把“语言和视频已经对齐好了”当成默认前提。SWAM 这篇论文盯的正是这个前提： 当你加入动作学习，原有的语言视频对齐可能会被破坏 。 这是一篇偏工程和训练配方的研究，作者整理了约 47,000 小时的数据，把“语言视频监督”“语言视频动作监督”“两者联合”三种设置摆...