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。

它已经展示了全身动作跟踪、遥操作，以及接入VLA的自主操作能力。

图1第一行中，单模型已经生成了白衣练习者和庭院，也表现出了武术动作，但展示的姿态更接近泛化的展臂、收手，未清楚体现指定招式的动作细节。

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。

遇到带有专业知识的动作描述，智能体可以先检索文本资料，把动作步骤和关键细节补充到生成输入中。

近年来，机器人开始使用视觉语言动作模型（VLA）：输入摄像头画面和「把杯子放进托盘」这样的指令，模型便生成控制机械臂的动作。

李飞飞团队造了个世界动作模型：换个底座，机器人成功率直接飙升2026年10月08日20:19机器之心Pro编辑｜Panda

9月22日，以FLUX图像模型闻名的BlackForestLabs跨界发布了开源7B世界动作模型FLUX3Action。

这条路线即所谓世界动作模型（World-ActionModel，WAM）。

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。

传统的视觉-语言-动作模型（VLA）像一个凭条件反射开车的司机，看到画面、听到指令就直接给出动作。

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。

过去几年，机器人基础模型逐渐从针对单项任务训练，转向利用视觉、语言和动作数据学习通用策略。

整套系统被清晰地划分为两层：负责高频动态平衡与动作执行的运动控制基模「S0」（小脑），以及负责长程任务理解与拆解的智能基模「S1」（大脑）。

例如，经过筛选的成功示范可以直接监督动作学习；

相比单纯增加力量，小肌肉群对动作协调和身体控制同样重要。

在拼多多，商家展示同款衣服不同颜色的上身效果图时，模特动作、发丝走向、衣服褶皱竟完全一致。

不同颜色的同款衣服，模特动作、表情竟一模一样。

模型沿着原视频的动作和空间关系，重新生成每一帧，同时不照搬原视频的质感。

想训练出一个会操作的全身模型，小脑不仅要负责最终的部署执行，在前端还要充当遥操作的驱动底座——人类数采员做出动作，需要靠小脑将其实时转化为机器人的动作。

据当地电视台报道，警方目前倾向于推测机器人的动作是当事人实时操控的。

事实上，这并非个别银行的动作。

”10月5日，成都青白江区朱家湾飞行营地的跑道上，10岁的小袁正在教练指导下熟悉飞行动作。

例如，机器人动作是否合适、任务成功率是否达标，以及结果是不是人真正需要的，目前还需要人参与打分。

但该指标是留出集上的人类动作预测，并非真机成功率，也不能推出扩张会无限保持同样收益。

其数据体系包含约13万小时原始录像，训练依次使用单目视频、同步双目视频与人类动作，最后加入机器人轨迹和人机对应数据。

图｜在2,000至20,000小时的实验范围内，双目数据规模增加对应更低的人类动作预测误差。

此外，团队还用2,000至20,000小时双目数据比较人类动作预测误差。

按此框架，Motus2已掌握L3“在世界中行动”的关键能力：既能理解当前状态，也能预判行动后的未来，还能生成可执行的真实机器人动作。

互联网或第一视角视频规模更大，却通常缺少可直接执行的机器人动作标签。

图｜人类数据金字塔：从大规模视频中的操作经验，逐步连接到真实机器人动作

训练时还预测动作后的真实力信号，帮助模型学习接触如何演化，部署时则只输出修正后的动作，避免每一步都重新运行大模型。

外部控制系统不用给机器人铺设电线，只需要改变声音频率，就能选择究竟让哪个结构动作。

就在2025年，央视春晚上挥着手绢跳舞的机器人动作还显得僵硬笨拙，而到了2026年，机器人已能够完成连贯武术、精准编队、高难度动态走位，动作舒展利落。

他告诉记者，在企业的操作间，工作人员正在调试一台人形机器人的动作、语速，数日之后它将前往江苏无锡“出差”，协助真人讲解PPT。

陈瑞圣介绍，杭州星枢智能引进了动作捕捉设备，让机器人的动作更拟人，公司还考虑未来成立机器人表演团，以租赁方式开展巡演。

但热闹背后有个尴尬的问题：这些系统几乎都同时换了视频骨干、训练数据、视频与动作的交互方式和推理流程，谁也说不清究竟是哪个设计带来了提升。