视频模型

李飞飞、YilunDu罕见联手：别给机器人建大脑了，直接偷视频模型的李飞飞、YilunDu罕见联手：别给机器人建大脑了，直接偷视频模型的｜GAIRPaper115

李飞飞、YilunDu罕见联手：别给机器人建大脑了，直接偷视频模型的｜GAIRPaper115

而这篇论文换了个问法：为什么不干脆用视频模型自己的母语跟它说话？

当下视频模型懂物理，但不会下达指令。

总结来看，这篇论文可以概括出一句话：过去视频模型懂物理但不懂动作，是因为缺一个"翻译接口"，如今通过MVA把动作变成像素遮罩轨迹即可完成翻译，同时，MVA模型能同时做正向（世界模拟）和逆向（动作生成）。

过去视频模型懂物理不懂动作，是因为缺"翻译接口"