本文提出WMPO框架，通过构建像素级视频生成世界模型，让视觉-语言-动作（VLA）模型无需与真实环境交互，就能进行在线强化学习（RL），解决了现有VLA模型依赖模仿学习、真实环境RL样本效率低的问题，还能实现自我修正等新兴行为。

本文提出“因子化交互对象中心世界模型（FIOC-WM）”，通过两级分解（对象级显式交互建模+属性级静动态特征分离）从图像中学习结构化世界模型，并结合分层策略（高层选交互顺序、低层执行动作），提升强化学习在机器人控制等任务中的样本效率和泛化能力。

提出一种名为Real2Edit2Real的框架，通过3D控制界面连接3D可编辑性与2D视觉数据，无需仿真引擎和数字资产，从少量RGB机器人演示中生成多样化、多视图且物理一致的操作演示视频，大幅提升数据效率并解决空间泛化难题。

本文提出“统一世界模型（UWM）”框架，将视频扩散与动作扩散整合到统一Transformer架构中，通过独立控制两种模态的扩散时间步，实现利用带动作标注的机器人数据和无动作标注的视频数据预训练，最终得到比传统模仿学习更泛化、更鲁棒的机器人操纵策略，同时还能灵活实现前向动力学预测、逆动力学预测和视频生成。

本文提出“统一世界模型（UWM）”框架，将视频扩散与动作扩散整合到统一Transformer架构中，通过独立控制两种模态的扩散时间步，实现利用带动作标注的机器人数据和无动作标注的视频数据预训练，最终得到比传统模仿学习更泛化、更鲁棒的机器人操纵策略，同时还能灵活实现前向动力学预测、逆动力学预测和视频生成。

本文提出了将人类第一视角视频转化为结构化训练数据的流程，构建了E2E-3M数据集，据此训练出PhysBrain模型，该模型能提升第一视角理解与规划能力，并有效迁移到机器人控制任务中，为视觉语言模型与物理智能搭建桥梁。

本文提出了将人类第一视角视频转化为结构化训练数据的流程，构建了E2E-3M数据集，据此训练出PhysBrain模型，该模型能提升第一视角理解与规划能力，并有效迁移到机器人控制任务中，为视觉语言模型与物理智能搭建桥梁。

研究者提出“大型视频规划器（LVP）”，通过大规模人类活动与机器人演示视频预训练，让模型能根据任务指令和初始场景生成零样本视频计划，再提取视频中的动作并适配到真实机器人（如灵巧手、平行夹爪），实现跨未知任务和环境的机器人控制泛化。

研究者提出名为MiVLA的视觉-语言-动作（VLA）模型，通过“人机相互模仿预训练”机制，融合易获取的模拟机器人数据（提供机器人操作先验）和人类日常视频数据（提供真实场景行为知识），解决真实机器人数据稀缺的问题，最终提升模型在模拟和真实机器人平台上的泛化能力。

本文提出Motus这一统一潜在动作世界模型，通过混合Transformer架构整合多种专家模型，借助光流学习潜在动作，结合三阶段训练流程和六层数据金字塔，实现多模态生成能力的统一，在模拟和真实场景的机器人任务中提升性能。