ViT-H：视频直接生成人形机器人动作

Zimo He 等作者发布 ViT-H 视频到人形控制框架，采用“生成加跟踪”的思路：用扩散模型直接从单目视频生成人形参考动作，跳过人体动作重建与重定向环节，并用运动跟踪结果以直接偏好优化后训练生成器。 作者称，在 Unitree G1 上的实验显示，ViT-H 在动作质量与可执行性上优于现有的重建-重定向-跟踪流水线，且性能随模型规模及预训练、后训练数据规模提升。作者还给出自回归变体，称可在低于 400 ms 延迟下实现实时人形视频遥操作。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。