لا مشفر مدرب مسبقا، ولا حيل معقدة. تظهر LeWorldModel كيف يمكن تدريب نماذج العالم المبنية على JEPA من البداية إلى الطرف من البكسلات الخام مع وجود مصطلحي خسارة فقط ~15 مليون بارام، وحدة معالجة رسومات واحدة، و~48× تخطيط أسرع من نماذج العالم النموذجية الأساسية.

الذكاء الجسدي يستمر في إصدار الضربات القوية. VLA يمكنهم فعل كل شيء... حتى آخر مليمتر. إدخال البراغي، توصيل الكابلات، المحاذاة المحكمة → العروض ليست كافية. تضيف RLT التعلم الواقعي عبر الإنترنت فوق VLA مجمد حتى يتمكن الروبوت من تحسين مهارات الدقة في دقائق، وليس أسابيع.

يتعلم VLA التحكم من الصور، لكنهم لا يفهمون الفيزياء. نماذج الفيديو تفعل ذلك. يقترح محاكاة الفيديو نماذج فيديو-أكشن: استخدم نموذج انتشار فيديو مدرب مسبقا للتنبؤ بالمسارات المستقبلية، ثم فك تشفير الإجراءات من خطته الكامنة.