EgoWAM论文：第一视角人类数据共训练世界动作模型

Baoyu Li 等人在 arXiv 发布 EgoWAM 论文，提出一个人机共训练框架，让策略在预测动作的同时预测场景演化，比较 Pixel、DINO 和 3D 运动流三种世界预测目标；框架固定策略骨干、动作头和数据混合，只改变预测目标。 在三个真实双臂任务上，作者称 WAM 共训练比行为克隆更能有效利用野外第一视角人类数据；基于摘要的结果显示 DINO 特征将分布外物体和场景泛化提升最高 4 倍，3D 流将域内性能提升 20–30%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。