Tags: #videovla

VideoVLA 论文精读：让视频生成器同时想象与执行

精读 VideoVLA：基于 CogVideoX-5B 的多模态 DiT 同时预测未来视频 latent 与 7D 动作，在 SIMPLER 和真实 Realman 上验证视频想象带来的泛化能力。

21 min read