UniAction用统一动作条件训练视频世界模型，四类控制共享一个模型

事件核心：发生了什么

视频世界模型通常需要根据初始画面、文本提示和动作信号预测后续画面，但“动作”的形态差异很大：对物体的推力、键盘驱动的相机移动、手部或机械臂的轨迹。现有做法往往为每种动作单独训练模型，本就稀缺的动作标注数据被切分到多个模型中。UniAction 的思路是把任意动作拆成一组稀疏元素，每个元素包含离散的语义身份和连续的视频空间与时间坐标，再映射到预训练视频模型的原生位置空间，使异构动作共享同一套时空结构。论文还引入基数校准注意力，缓解不同动作表示粒度带来的偏差。

为什么重要

如果统一接口成立，积累的不同类型动作数据可以汇入同一个世界模型，不必为每种控制方式维护独立模型。论文在力、相机控制、手部姿态、机器人姿态四类动作上评测，并在动作跟随指标上报告优于替代条件方案；摘要称单个联合训练模型超过动作专用专家。目前公开信息显示，这仍是论文层面的研究结果，尚不能视为已上线的产品能力。

对用户/开发者/创作者的影响

对开发者和创作者而言，更直接的价值在于接口统一：同一套动作表示可以接入视频生成或仿真流程，减少按控制类型切换模型的成本。若后续开源或提供 API，机器人仿真、交互式视频创作等场景可能出现更灵活的动作条件工具。但论文评测聚焦生成视频是否响应动作变化，并不等同于真实机器人闭环控制或物理部署效果。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是作者是否公开代码或模型权重，决定开发者能否复现；二是在更多动作类型和更长时序上的泛化表现，目前摘要只覆盖四类动作；三是是否有视频生成或机器人公司将其并入产品，以及评测是否从离线指标扩展到闭环控制。

来源：alphaXiv