# 上下文机器人学习

世界-动作模型的预训练改从成对的人类演示里学：模型看一段演示的视频与动作，去预测另一段同任务演示的动作和未来画面，从而把场景外观与任务交互分开。此前同一段视频内的下一帧预测让上下文与目标共享场景、视角和采集来源，模型可以靠外观线索而不必学可迁移的交互。在MimicDroid上，跨视频预训练把Cosmos Policy的平均成功率从40.9%提到68.3%，未见布局一级从18.3%提到40.8%，且无需配对的机器人演示。

世界-动作模型的预训练改从成对的人类演示里学：模型看一段演示的视频与动作，去预测另一段同任务演示的动作和未来画面，从而把场景外观与任务交互分开。此前同一段视频内的下一帧预测让上下文与目标共享场景、视角和采集来源，模型可以靠外观线索而不必学可迁移的交互。在MimicDroid上，跨视频预训练把Cosmos Policy的平均成功率从40.9%提到68.3%，未见布局一级从18.3%提到40.8%，且无需配对的机器人演示。