这篇访谈里最戳我的一点，是他们没去对齐动作，而是去对齐“物理世界的变化”——推杯子那个例子，人手和机械臂轨迹完全不同，但杯子怎么动、水怎么晃是一致的，模型学的是这个共享规律。
还有把世界模型压进隐空间做推理，用视频生成给动作策略先垫个五六十分的物理先验，这套挺漂亮。说到视频生成，现在这些世界模型和生视频模型迭代快得离谱，我平时[顺手切好几家模型跑素材对比](https://pixpix.
com)才勉强跟得上，光盯一家早看不全了。人手数据加隐空间对齐这条线，值得蹲后续。
这篇访谈里最戳我的一点，是他们没去对齐动作，而是去对齐“物理世界的变化”——推杯子那个例子，人手和机械臂轨迹完全不同，但杯子怎么动、水怎么晃是一致的，模型学的是这个共享规律。
还有把世界模型压进隐空间做推理，用视频生成给动作策略先垫个五六十分的物理先验，这套挺漂亮。说到视频生成，现在这些世界模型和生视频模型迭代快得离谱，我平时[顺手切好几家模型跑素材对比](https://pixpix.
com)才勉强跟得上，光盯一家早看不全了。人手数据加隐空间对齐这条线，值得蹲后续。