从VPP1 到VPP2 两年WAM之路

• VPP2在视频预测指令跟随上超过Cosmos3-64B，并在Robodojo benchmark后训练拿下第一。 — ✓ “VPP2在视频预测instruction following上超过Cosmos3-64B”
• VPP1于2024年11月完成，VPP2于2026年10月完成，作者期间在斯坦福停留大半年。 — ✗ “在2024年11月完成VPP1...到2026年10月完成VPP2”
• WAM的必要条件是视频预测的指令跟随正确，泛化能力是重中之重。 — ✓ “WAM的必要条件是“视频预测的指令跟随正确”
• 建议不要随意加入action模块或设计奇怪联合训练机制，以免破坏video model在开放场景的泛化能力。 — ✓ “不要拍脑袋就加入各种架构的 action 模块”
• 不建议从头做WAM pre-training，应利用已有video foundation model的资源积累。 — ✓ “不要从头做WAM pre-training”
• Video model的泛化能力与GPT-6-astra相比仍有差距，in domain后训练数据对高成功率落地场景起决定性作用。 — ✓ “in domain后训练数据依然起决定性作用”
• WAM的角色应是提供“条件反射式”快速响应，忠实地follow详细语言指令完成具体skills。 — ✓ “WAM应该只提供某种“条件反射式”的快速响应”
• 未来智能部分如记忆/规划/推理将由LLM承担，WAM研究重心应往low-level移动，关注交互部分。 — ✗ “未来所有的智能部分...都会由 LLM 承担”
• VPP2通过大规模多样化操作视频数据集继续预训练基础视频模型，并标注详细caption进行事件级视频预训练。 — ✓ “curate a large-scale, diverse dataset of manipulation videos”
• VPP2将视频模型蒸馏为单步视觉规划器，并引入基于MoT架构的action模块学习隐式逆动力学模型。 — ✓ “introduce an action module via a mixture-of-transformers (MoT) architecture”
• VPP2-14B在开放任务视频预测指令跟随成功率上比Cosmos3-64B高出11.0个百分点。 — ✓ “outperforms Cosmos3-64B by 11.0% points in video prediction instruction-following”
• VPP2在真实世界零样本ALOHA操作任务成功率上超越最强基线18.5个百分点。 — ✓ “surpasses the strongest baseline by 18.5% points in success rate on real-world zero-shot ALOHA”
• 经过benchmark特定后训练，VPP2在LIBERO-Pro、LIBERO-OOD和RoboDojo基准测试中取得最高成功率。 — ✓ “achieves the highest success rates among evaluated methods on the challenging LIBERO-Pro”

• 读了 8 张图，每张都有描述
• 图上文字 61 行
• 没读到：comments not read

样例，第 1 张图 — A title slide with a light background featuring a large quotation mark graphic at the top left. The main text reads '从VPP1 到VPP2' and '两年WAM之路'. At the bottom, there is a prompt '右划查看全文' with an arrow pointing right. 图上文字开头： “从VPP1 到VPP2 两年WAM之路 右划查看全文”