VPP2 发布：先预测完整操作事件再生成动作，零样本 ALOHA 成功率提升 18.5 个百分点

事件核心：发生了什么

alphaXiv 收录的论文提出 Video Prediction Policy 2（VPP2），一种世界动作模型（WAM）。作者认为现有 WAM 在开放环境中容易产生错误动作预测，原因有两个：基础视频模型没有针对操作任务优化，简单加入动作组件会削弱泛化能力。VPP2 的应对分三步：先用带详细描述的操作视频继续预训练基础视频模型，做事件级预训练；再后训练并蒸馏成固定预测视野的单步视觉规划器；最后用混合 Transformer 架构引入 0.9B 参数的动作专家，学习隐式逆动力学，输出动作块。论文报告的结果包括：在 50 对机器人图像-指令的开放任务视频预测评估中，VPP2 指令跟随成功率为 0.90，Cosmos3-64B 为 0.78；在真实 ALOHA 机器人 10 类任务零样本测试中平均成功率为 58.5%，对比 π0.5 的 40.0%。在 LIBERO-Pro、LIBERO-OOD 和 RoboDojo 基准上，经过基准特定后训练后，VPP2 取得所评估方法中最高的成功率。

为什么重要

这项工作的价值不在“又一个机器人模型”，而在它改写了动作学习的中间目标。传统策略直接学短动作块，容易对指令和初始画面学到脆弱关联；VPP2 先让机器人“想象”完整操作事件，再对齐固定时长视频块，最后映射到动作。这保留了视频基础模型的泛化能力，又用动作专家补上物理执行环节。对行业而言，它强化了“视频预测先验迁移到机器人操作”的技术路线，也说明基础视频模型的预训练数据质量、事件级标注和蒸馏策略会直接影响机器人策略的零样本表现。目前公开信息显示，这些结论来自论文实验，尚未说明是否已有可用的产品化接口或开源权重。

对用户/开发者/创作者的影响

对机器人开发者，VPP2 提供了一种可复用的策略架构思路：不必从头训练，而是把已有图像到视频大模型适配到操作数据，再通过动作专家和 LoRA 微调解锁行动能力。对关注具身智能的团队，论文中“视频模型冻结加 LoRA 适配”的做法，意味着未来可以在有限算力下复用视频生成模型的表征，降低机器人策略训练门槛。对内容创作者和产品团队，如果这类技术走向产品，视频生成模型可能不再只用于画面创作，还会成为机器人动作规划的上游组件。不过目前所有评测都限定在论文指定的任务、基准和条件内，不能理解为通用机器人能力已经解决。

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

后续可以观察三点：VPP2 是否公开代码或模型权重，以验证 14B 视频模型加 0.9B 动作专家的实际推理成本和部署条件；在 ALOHA 之外的真实机器人平台和更长任务上，零样本成功率能否保持；以及事件级视频预训练、单步蒸馏这两项设计，是否会被其他 WAM 或机器人基础模型跟进采用。

来源：alphaXiv