sem codificador pré-treinado, sem truques complexos. O LeWorldModel mostra como os Modelos de Mundo baseados em JEPA podem ser treinados de ponta a ponta a partir de pixels brutos com apenas 2 termos de perda ~15M de parâmetros, GPU única, e ~48× mais rápido no planejamento do que os modelos de mundo de modelo-fundação.

A Inteligência Física continua a lançar sucessos. Os VLAs podem fazer tudo… até ao último milímetro. Inserção de parafusos, ligação de cabos, alinhamento preciso → as demonstrações não são suficientes. O RLT adiciona RL online em cima de um VLA congelado para que o robô possa refinar habilidades de precisão em minutos, não em semanas.

Os VLAs aprendem a controlar a partir de imagens, mas não entendem física. Os modelos de vídeo entendem. O mimetismo de vídeo propõe Modelos de Ação em Vídeo: usar um modelo de difusão de vídeo pré-treinado para prever trajetórias futuras, e depois decodificar ações a partir do seu plano latente.