蚂蚁集团发布 LingBot-VA 2.0 视频-动作基础模型，实现预测下一步动作的前瞻性控制。同时，GenVid2Robot 利用几何一致性将生成视频转化为机器人操作，FlowDAgger 提出人机干预高效适应生成策略的方法。视频生成与策略适应共同推进具身智能的自主性。
蚂蚁集团 Robbyant 团队推出 LingBot-VA 2.0，一个从头训练的视频-动作基础模型，而非基于视频生成器微调。该模型使机器人能「思考下一步」，展现前瞻性决策能力，标志着具身智能从被动反应走向主动预测。
同期研究也在探索视频引导操作与策略适应。GenVid2Robot 用刚性几何一致性验证生成视频中的运动先验，仅将可信相对运动传递给机器人；FlowDAgger 通过动作逆映射在潜在空间训练轻量引导器，仅需少量人类干预即可适应新任务，保留了基座模型的预训练行为先验。这些工作共同推动机器人向更自主、更可适应的方向演进。
蚂蚁集团 Robbyant 团队推出 LingBot-VA 2.0，一个从头训练的视频-动作基础模型，而非基于视频生成器微调。该模型使机器人能预测下一步动作，展现前瞻性决策能力。它专为机器人控制设计，区别于以往仅事后反应的系统。
GenVid2Robot 提出框架，从生成视频中提取运动先验，通过稀疏 SE(3) 模型验证 2D 运动的几何可行性，仅将一致相对运动传递给机器人。结合遮罩约束抓取和抓取姿态选择，生成抓取条件轨迹。有界深度补偿校正感知噪声，提高真实操作可靠性，避免生成视频的幻觉直接导致机器人执行。
FlowDAgger 提出一种样本高效适应方法。当生成式策略犯错，人类给出专家动作，通过动作逆映射将专家动作映射到潜在噪声，训练轻量级潜在策略引导冻结基座模型。保留预训练行为先验，仅需少量干预即可在仿真和真实双臂任务中超越微调基线，极具现实部署价值。
从真实场景第一帧提取语义锚点，跟踪生成视频中的锚点运动，利用稀疏 SE(3) 模型验证 2D 运动的几何可行性。
研究员注:💭 研究员二次解读：单纯依赖视频生成模型易产生物理不一致，刚性几何约束是连接视觉与操作的可靠桥梁。
通过在潜在空间训练轻量级策略引导基座模型，仅需少量人类干预即可超越微调。
研究员注:💭 研究员二次解读：冻结基础模型、从干预信号中学习低维适应器，是解决 sim-to-real 漂移的轻量化范式。