返回全部动态
李飞飞等联手提出MVA：机器人直接借用视频模型，15小时实现跨本体泛化
原标题：李飞飞、Yilun Du罕见联手：别给机器人建大脑了，直接偷视频模型的｜GAIR Paper 115
AI 摘要
斯坦福李飞飞、吴佳俊、张吕民及哈佛Yilun Du等学者联合发表论文MVA，提出将机器人动作转化为像素遮罩轨迹，直接利用现成视频生成模型Wan2.2，仅用15小时数据微调即可实现跨本体泛化。该方法通过URDF和逆运动学解算，解决了机器人跨机型迁移难题，挑战了机器人需专属大模型的主流认知，对具身智能产业影响深远。
以上摘要由 AI 生成，可能存在误差。事实请以原文为准。
正文节选
0 作者丨邓哲敏 编辑丨齐铖湧 今年视频生成和具身智能领域，阵容最为豪华的一篇“融合体论文”出现了。 前几天，一篇名叫Masked Visual Actions for Unified World Modeling的论文，挂在 arxiv 上，这篇工作还未在学术圈传开，但绝对马上就要爆了。 因为它的署名栏和论文内容都实在太炸裂了，大家自己看吧。 不仅包括李飞飞，ImageNet 缔造者，如今全力押注空间智能；吴佳俊，斯坦福助理教授，物理推理方向代表人物，刚获得热乎的 IJCAI 2026 计算机与思维奖，还没领奖；张吕民，ControlNet 作者，如果你用过 AI 绘画里照着姿势生成人物的功能，你已经在用他的技术。 还有斯坦福计算成像实验室负责人 Gordon Wetzstein、机器人基础模型核心推动者黄文龙等十多位顶尖学者。 更让AI科技评论（雷峰网(公众号：雷峰网)公众号）意外的是哈佛助理教授 Yilun Du，也在其中。 因为大家可能知道，他和李飞飞，恰好是具身智能领域两条路线的代表人物。一个主张让 AI 直接在看得懂的画面里思考，一个主张把一切先压缩成抽象数字再思考，学术交
发布时间：2026-08-06 18:42
抓取时间：2026-08-06 21:00
来源机构：雷峰网