Hugging Face · 每日论文·2026-11-09 03:00· 2 天前精选AI 评分54

SWAM：通过跨模态对齐扩展世界动作模型

SWAM: Scaling World Action Models with Cross-Modal Alignment

AI 导读

SWAM 研究通过构建约 47,000 小时的通用视频、第一人称视频、UMI 演示和机器人演示数据集，系统分析语言-视频对齐与动作学习的相互影响。研究发现混合第一人称视频与 UMI 演示可提升控制泛化，特定架构与训练配置下扩展预训练能带来进一步增益。

推荐理由

研究通过构建大规模视频数据集并系统分析语言-视频-动作对齐机制，为世界动作模型的训练设计提供了可复用的方案和实证依据。