**ZimaBlue：通过大规模视频预训练进化可泛化世界动作模型**

_ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training_

> ZimaBlue提出了一种可扩展框架，从大规模视频学习可泛化的世界动作模型（WAM），解决机器人操作泛化难题。该方法采用三阶段训练策略：首先在大规模第一人称视频上进行因果具身预训练，然后通过视频-动作中期训练将视觉动态与机器人轨迹对齐，最后针对目标机器人进行微调。结合异步慢快双系统架构，模型可在RTX 4090上实现30Hz实时动作预测。在零样本真实机器人评估中，将训练数据从仅目标机器人轨迹扩展至12万小时具身视频后，成功率从36.1%提升至77.8%，在未见任务上表现尤为突出。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-09-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.00188)