动作

一条用于推理阶段的当次动作选择，另一条用于训练阶段的长期策略更新。

这种方式仅改变本次动作选择，但不会更新参数。

二者结合后较基础策略共提高10个百分点，说明在这两项任务中，更新策略产生的作用更明显，而规划可以在此基础上进一步改善当次动作选择。

因此Motus2采用动作优先（Action-first）的信息流，让动作只读取此前信息，未来视频读取动作，价值评估再读取动作和预测结果，以保证动作生成过程符合真实部署时的因果顺序。

它用共享模型连接动作生成、后果预测和价值评估，从约13万小时人类第一视角视频中提取操作先验，再用机器人轨迹完成本体适配。

此前，生数科技发布的Motus已在统一潜在动作世界模型中连接视频预测和动作生成。

视觉语言动作模型（VLA）可以根据画面和指令输出动作，世界模型则尝试预测动作执行后环境将如何变化。

它既可作为世界动作模型（WAM），根据语言指令、当前观测和视觉历史生成动作，也可作为动作条件世界模型（AC-WM），在给定动作后预测未来视觉状态，分别回答“下一步做什么”和“执行后会发生什么”。

近年来，模仿学习和视觉语言动作模型从示范数据中学习“观测—动作”映射，提高了任务泛化能力。

例如，经过筛选的成功示范可以直接监督动作学习；