Rhoda AI DVA模型：利用因果视频生成实现数据高效的机器人策略学习
原帖
**因果视频模型：数据高效的机器人策略学习器**
_Causal Video Models Are Data-Efficient Robot Policy Learners_
> Rhoda AI提出Direct Video-Action模型（DVA），将机器人策略重构为视频生成任务。该模型利用网络规模的视频数据进行训练，仅需约10小时的机器人数据即可学习复杂任务，并具备长上下文视觉记忆和单次学习能力。其核心创新在于通过实时视频预测直接控制机器人，为实现通用机器人提供了可扩展的路径。
**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：ai-models
- **发布时间**：2026-05-19 12:29（北京时间）
- **原文**：[打开原文](https://www.rhoda.ai/research/direct-video-action)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
2026年5月19日，First-Principle报道了Rhoda AI提出的Direct Video-Action模型（DVA）。该模型将机器人策略学习重构为视频生成任务，利用网络规模的视频数据进行预训练，并声称仅需约10小时的机器人数据即可学习复杂任务。
答案说明
根据First-Principle的报道，Rhoda AI的Direct Video-Action模型（DVA）通过将机器人控制问题转化为视频预测任务，利用网络规模的视频数据进行训练，从而大幅降低机器人策略学习的数据需求。该模型声称具备长上下文视觉记忆和单次学习能力，其核心是通过实时视频预测直接控制机器人，为通用机器人提供了一条可扩展的路径。
这篇帖子回答的问题
- Rhoda AI提出的Direct Video-Action模型（DVA）是如何工作的？
- DVA模型在数据效率方面有何优势？
核心观点
- 根据First-Principle的报道，Rhoda AI的DVA模型将机器人策略学习重构为视频生成任务，旨在利用大规模网络视频数据来降低机器人训练所需的真实数据量。
- 该模型声称仅需约10小时的机器人数据即可学习复杂任务，并具备长上下文视觉记忆和单次学习能力。
FAQ
- Q: 什么是因果视频模型？
- A: 根据First-Principle报道，因果视频模型是用于机器人策略学习的一种框架，例如Rhoda AI的DVA模型将其重构为视频生成任务。
- Q: DVA模型如何实现数据高效的学习？
- A: 该模型通过利用网络规模的视频数据进行训练，将机器人策略学习重构为视频生成任务，从而仅需少量机器人演示数据（报道中称约10小时）即可学习复杂任务。
关键实体
- Rhoda AI
- Direct Video-Action模型 (DVA)
- 因果视频模型