Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human ExperienceRopedia W0 发布跨本体运动-操作世界模型，用1万小时人类+3千小时机器人数据
Ropedia W0 发布跨本体运动-操作世界模型，用1万小时人类+3千小时机器人数据
首次把人类第一人称数据规模化接入机器人世界模型，给跨本体动作空间统一与数据采集路线提供可复用范式
具身智能
资料 48 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 10 分钟前
浏览方式
DRILL: Training World Models to Improve Policies, Not Predict PixelsDRILL 按策略回报训练世界模型，成功率较 WMPO 提升 13.1 点
DRILL 按策略回报训练世界模型，成功率较 WMPO 提升 13.1 点
为 VLA 强化学习提供新的世界模型训练目标，在 5 个模拟器和 2 个 VLA 骨干上平均成功率提升 13.1 点，可能改变仿真训练范式。
Self-Distilling Future Video Representations for World Action ModelsFRED 让 WAM 零样本人机技能迁移达 50.0%，最佳竞品仅 19.4%
FRED 让 WAM 零样本人机技能迁移达 50.0%，最佳竞品仅 19.4%
证明单步去噪未来视频表征可显著提升通用机器人策略的长期任务与人类视频迁移能力，并避免迭代去噪推理成本。
DeXplicit: Making Physical State Explicit in Dexterous Manipulation World ModelsDeXplicit 世界模型减少 moved-point error 27-40%，HOT3D IoU+ 提升 47%，生成加速 57x
DeXplicit 世界模型减少 moved-point error 27-40%，HOT3D IoU+ 提升 47%，生成加速 57x
显式 3D 先行动态与渲染解耦，降低了视频生成隐式学习世界动力学的难度，对具身智能世界模型与因果生成架构有直接工程参考。
From Predictive Geometry to Action: Learning Complementary Predictive Representations for Embodied Manipulation互补预测表示提升下游操作策略，WidowX 提升 10.4 个百分点
互补预测表示提升下游操作策略，WidowX 提升 10.4 个百分点
推理无需未来观测，预测几何与运动表示可迁移多种 VLA 架构，对操作策略训练有参考价值。
