Video-Point Model 通过点轨迹预测学习4D世界并提升机器人操作成功率

论文提出 Video-Point Model（VPM），一个以多视角视频历史和语言指令为条件，联合预测任意视角未来视频与场景持久点3D轨迹的世界模型。作者在预训练世界模型上加入相机条件的多视角处理和轨迹预测头，并构建 VPM-Data 仿真语料与 VP-WorldBench 基准；进一步将机器人动作作为生成器中的 token 模态，使策略共享点监督的骨干。