把动作「画」给视频世界模型：同一模型兼顾正向预演与逆向动作生成

斯坦福、马里兰大学帕克分校和哈佛大学研究者提出 Masked Visual Actions，李飞飞、吴佳俊、张吕敏等参与。它把机器人或目标物体的运动渲染成像素级轨迹，让视频模型直接补全动作之后的环境变化。1

正向建模是「机器人怎么动 → 环境会怎样变化」，可以给候选动作做预演和排序。逆向建模则是「目标物体想怎样动 → 机器人可能怎么做」，再交给逆动力学模型还原成控制数据。项目主页把它描述为一种面向视频世界模型的视觉动作表示，并展示了跨机器人、跨场景的泛化案例。2

论文称，微调只使用约 15 小时的真实与仿真机器人数据；在文章转述的实验中，视频模型辅助规划带来 7–26 个百分点的成功率提升，生成视频与真实仿真结果的相关系数达到 0.982，CoffeeServeMug 逆向动作管线成功率为 90%。这些数字属于论文实验设置，90% 是「视频模型＋逆动力学模型」组合结果。3

它还没有替代仿真器或实机测试。文章提到模型会出现物体瞬移、无接触运动和任务结果凭空完成等现象，视频生成速度与成本也限制了实时闭环控制。图中信息卡依据文章和论文整理，不是原始系统截图。