arXiv · AI· Zuyao Lin, Jianhui Zhang, Peidong Jia, Xiaoguang Zhao, Shanghang Zhang, Jingdong Wang, Xingyu Chen·· 2026-10-09AI 评分23
面向长时程导航操作任务的具身视频 World-Ego 建模研究
World-Ego Modeling for Embodied Video Generation in Long-Horizon Navigation-Manipulation Tasks
AI 导读
summary_zh: WEM 模型将具身视频解耦为世界与自我两个生成过程,解决场景一致性与指令跟随难以兼顾的问题。 其采用角色条件注意力的视觉语言状态预测器、语义路由的 SR-MoE 扩散生成器,并在 125K 片段构成的 HTEWorld 数据集上实现 SOTA 表现。
来源:arXiv · AI · arxiv.org