Research

精读 DreamZero：把 14B 视频扩散模型改造成同时预测未来视频与动作的 World Action Model，并分析其零样本泛化、跨本体迁移与 7Hz 实时控制。

精读 DreamVLA：用动态区域、深度与语义构成的未来世界知识替代整帧预测，再由结构化注意力和 Diffusion Transformer 完成逆动力学控制。

精读 RSS 2024 的 3D Diffusion Policy：从单目深度构建稀疏点云，用轻量 DP3 Encoder 条件化 Diffusion Policy，在 72 个仿真任务和 4 个真实任务中实现高效、可泛化的模仿学习。

精读 Ctrl-World：用多视角联合预测、位姿条件记忆检索和逐帧动作条件，把 Stable Video Diffusion 改造成可控的机器人世界模型。

精读 Cosmos Policy：无需改动视频模型架构，通过 latent frame injection 联合生成动作、未来状态和值，并用 rollout 数据实现模型式规划。

精读 BagelVLA：在统一 MoT 模型中交错生成子任务文本、未来关键帧和动作，并用 Residual Flow Guidance 降低视觉预见延迟。

精读 ASPIRE：用闭环执行追踪、可持续技能库与进化式程序搜索，让 code-as-policy 机器人跨任务、跨场景持续变强。

精读 AIM：用空间价值图把视频世界建模与动作意图连接起来，并以 intent-causal attention 与 GRPO 提升 RoboTwin 操作成功率。

精读 AAC：用多候选动作的 action entropy 在推理时自适应选择 chunk size，在不改训练架构的情况下平衡 VLA 的反应性与时间一致性。

精读 A2A：把历史本体动作编码为 Flow Matching 的起点，以轻量 MLP 生成未来动作，在单步推理下兼顾低延迟与视觉鲁棒性。

精读 WARP-RM：通过 AR(1) 时间扭曲生成自监督进度标签，再用密集 signed progress 过滤和重加权行为克隆数据。

精读 VLA-OPD：让学生 VLA 在自己走出的状态上接受教师的 token-level dense supervision，并用 Reverse-KL 同时获得 SFT 的效率与 RL 的闭环鲁棒性。

精读 VLA-0：以 Qwen2.5-VL 为底座，不新增动作 token 或动作头，仅用数字文本、动作集成和 masked action augmentation 构建高性能 VLA。

精读 VISTA：用可生成的视觉子目标把 Embodied World Model 变成高层规划器，再由 GoalVLA 执行低层动作，提升少样本机器人操作的 OOD 泛化。

精读 villa-X：用 proprioceptive FDM 让 latent action 对齐机器人动力学，再以 joint diffusion 联合规划 latent action 与低层动作，实现跨 embodiment 的 VLA 迁移。