FRED：用自蒸馏学习未来视频表征的世界动作模型

研究提出 FRED 框架，通过自蒸馏从噪声中单步预测未来视频表征，并以真实未来观测提取的表征作为目标，同时用历史观测为视频模型提供时序上下文。在多种真实操作场景中，FRED 优于对比的世界动作模型，在零样本环境泛化的长时程与域外任务上提升明显；仅用人类视频演示、机器人训练数据中不存在的任务成功率达 50.0%，对比最佳同类模型为 19.4%。