SWAM：用跨模态对齐扩展世界动作模型

SWAM 研究世界动作模型在引入动作学习后如何维持语言-视频对齐，整理了约 47,000 小时通用视频、第一视角视频、UMI 演示和机器人演示数据，系统比较语言-视频监督、语言-视频-动作监督及两者联合使用的效果。