không có bộ mã hóa được huấn luyện trước, không có thủ thuật phức tạp. LeWorldModel cho thấy cách các Mô hình Thế giới dựa trên JEPA có thể được huấn luyện từ đầu đến cuối từ các pixel thô với chỉ 2 thuật toán mất mát ~15 triệu tham số, một GPU, và ~48× nhanh hơn trong việc lập kế hoạch so với các mô hình thế giới của mô hình nền.

Trí tuệ vật lý vẫn tiếp tục cho ra những sản phẩm tuyệt vời. VLAs có thể làm mọi thứ… cho đến milimét cuối cùng. Chèn vít, cắm cáp, căn chỉnh chặt → các buổi trình diễn không đủ. RLT thêm RL trực tuyến lên một VLA đã được đóng băng để robot có thể cải thiện kỹ năng chính xác trong vài phút, không phải vài tuần.

VLAs học cách kiểm soát từ hình ảnh, nhưng chúng không hiểu vật lý. Các mô hình video thì có. mimic-video đề xuất Mô hình Video-Hành động: sử dụng một mô hình khuếch tán video đã được huấn luyện trước để dự đoán các quỹ đạo trong tương lai, sau đó giải mã các hành động từ kế hoạch tiềm ẩn của nó.