FloMo：用3D场景流作世界动作模型中间表示

Jeremy Collins 等作者发布 FloMo 方法，提出以 3D 场景流作为世界动作模型的中间表示，从人类视频中学习机器人动作。其核心是一个 5B 视频生成模型，经微调后同时预测 3D 场景流与动作 token。 据论文描述，FloMo 将场景流渲染为 RGB 并编码进与视频相同的 latent 空间，使预训练视频生成骨干能高效适配 3D 场景流预测。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。