DIDO：将多步视频世界动作模型蒸馏为单步去噪

Jing Lyu 等研究者提出 DIDO 方法，把多步视频世界动作模型（WAM）收敛的动力学蒸馏进单步去噪，以降低闭环控制的推理延迟。作者称静态背景在去噪早期即形成，而夹爪与被操作物体的交互动态需后续步骤才浮现，因此结合分布匹配蒸馏与交互中心表征引导，用带监督边界框的视觉推理 token 显式建模夹爪、物体及其交互，并借助预训练 DINOv3 编码器跨层对齐目标物体表征。 论文称 DIDO 在 LIBERO 上平均成功率 99.0%，LIBERO-Plus 上 76.6%，RoboTwin 上 92.0%，并称其在真实机器人操作的长时程与泛化任务上有效迁移。

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。