Entendendo e Mitigando a Lacuna de Generalização Vídeo-Ação por Meio da Razão Temporal

arXiv:2607.08127v1 Tipo de anúncio: novo Resumo: Modelos de fundação generativos de vídeo exibem fortes vieses composicionais, no entanto, os modelos mundo-ação (WAMs) e os modelos vídeo-ação (VAMs) frequentemente perdem esses vieses após o ajuste fino em dados de ação robótica. Chamamos essa discrepância de lacuna de generalização vídeo-ação. Neste artigo, investigamos sistematicamente essa lacuna avaliando um espaço de design abrangente de VAMs, demonstrando que escolhas de design padrão não produzem nenhum padrão de explicação emergente...