#零样本迁移

一篇有意思的论文：把视频扩散模型拿来学潜在动作，每帧压到 4 个 token，人类和机器人的动作能互相迁移，在 LARY-Bench 上拿了最优。

MIT团队推出SGS方法，让百万级并行环境训练更高效，解决了四足机器人和精密装配难题。

苏黎世团队联合瑞士国铁做了个铁路维护的 MARL 框架，小网络上训练完直接零样本搬到大规模网络，不用重训还比基线省时间。

这篇论文提出了CHARM，用分层上下文建模多模态图，不需要目标域微调就能零样本迁移，比现有GNN和LLM方法更通用。

复旦等团队用REGRIND，只看一段演示就让机械手学会用剪刀和螺丝刀，零样本上手，动作和人一样自然。

这个方法不用几何建模，直接用潜在空间规划让农业机器人在杂乱玉米地里也能走。语义故障减少2.4倍，零样本迁移到真实世界。

阿里Qwen团队这个机器人模型用开源数据和人类演示就能学，跨平台零样本操作，还在多个测试里碾压了π0.5，做机器人开发的别错过。

机器人学习领域长期面临泛化难题，这篇论文从结构分解入手给出了新解法。做机器人策略研究或部署的团队值得关注，零样本迁移到真实硬件意味着可以直接减少重复训练成本。