生数 Vidar

先用视频扩散模型预测未来画面、再反推动作的机器人操作模型

清华大学朱军团队（TSAIL）2025 年 7 月发布，名字取自 VIdeo Diffusion for Action Reasoning；真机实验以生数科技的视频模型 Vidu 2.0 为基座，论文注明部分工作在生数完成，据报道由生数与清华联合推出。思路分两步：视频扩散模型先根据指令和当前画面「想象」接下来的视频；再由掩码逆动力学模型（MIDM，根据前后帧反推动作）把视频翻译成机器人动作，它会自动学出只关注机械臂等与动作相关的像素，以屏蔽背景干扰。视频模型先用 3 个机器人平台、75 万条多视角轨迹做具身领域的继续预训练。换到没见过的机器人上，论文称只需约 20 分钟人类演示即可超过基线，并能泛化到新任务、新背景和新相机布局。

例子给一台新的 Aloha 双臂机器人只采约 20 分钟人类演示做适配，Vidar 就能根据新的语言指令先生成完成任务的视频，再由逆动力学模型把视频逐段翻译成关节动作去执行。

也叫

Vidar: Embodied Video Diffusion Model for Generalist Manipulation

相关

视频生成模型、逆动力学模型、视频预测策略、跨本体、世界动作模型、生数科技

来源

Vidar (arXiv 2507.12898)
Vidar 论文 HTML v4（机构与 Vidu 2.0 基座）
Vidar & AnyPos project page

信息截至

2025-12