pas d'encodeur pré-entraîné, pas de trucs complexes. LeWorldModel montre comment les modèles du monde basés sur JEPA peuvent être entraînés de bout en bout à partir de pixels bruts avec seulement 2 termes de perte ~15M de paramètres, un seul GPU, et ~48× plus rapide en planification que les modèles du monde de modèles de fond.

Physical Intelligence continue de sortir des pépites. Les VLAs peuvent tout faire… jusqu'au dernier millimètre. Insertion de vis, branchement de câbles, alignement précis → les démonstrations ne suffisent pas. RLT ajoute du RL en ligne sur un VLA gelé afin que le robot puisse affiner ses compétences de précision en quelques minutes, pas en semaines.

Les VLAs apprennent le contrôle à partir d'images, mais ils ne comprennent pas la physique. Les modèles vidéo le font. mimic-video propose des Modèles Vidéo-Action : utilisez un modèle de diffusion vidéo pré-entraîné pour prédire les trajectoires futures, puis décodez les actions à partir de son plan latent.