brak wstępnie wytrenowanego enkodera, brak skomplikowanych sztuczek. LeWorldModel pokazuje, jak modele świata oparte na JEPA mogą być trenowane end-to-end z surowych pikseli przy użyciu tylko 2 funkcji straty ~15M parametrów, pojedynczy GPU i ~48× szybsze planowanie niż modele świata oparte na modelach podstawowych.

Physical Intelligence wciąż wypuszcza hity. VLAs mogą robić wszystko… aż do ostatniego milimetra. Wkręcanie śrub, podłączanie kabli, precyzyjne ustawienie → pokazy nie wystarczą. RLT dodaje online RL na szczycie zamrożonego VLA, aby robot mógł doskonalić umiejętności precyzyjne w ciągu minut, a nie tygodni.

VLAs uczą się kontroli na podstawie obrazów, ale nie rozumieją fizyki. Modele wideo to robią. mimic-video proponuje Modele Wideo-Akcji: wykorzystaj wstępnie wytrenowany model dyfuzji wideo do przewidywania przyszłych trajektorii, a następnie dekoduj akcje z jego latentnego planu.