斯坦福、哈佛和马里兰大学团队提出 Masked Visual Actions：把动作改写成视频里的“局部可见轨迹”。
给模型看机器人手臂在时空中的像素级运动，它就补全场景将如何响应，充当前向世界模型；反过来，给它看物体希望如何移动，同一个模型会补全可能实现该结果的机器人运动，充当逆向模型。
核心在于不再把动作当成一串抽象数字，而是当作与视频天然对齐的遮罩（mask）。
作者以 Wan-Fun-Control 2.2 14B 为底座，用真实 DROID 视频和 RoboCasa 仿真数据构造训练样本，仅用约 15 小时机器人交互数据做 LoRA 微调。渲染出的机器人轨迹还允许在推理时输入任意候选动作。
实验中，该方法在已见的 DROID 和未见的双臂机器人 BEHAVIOR 上，都优于图像转视频、轨迹控制视频和 Ctrl-World 等基线；在 BEHAVIOR 上，LPIPS 为 0.123、PSNR 为 22.90。
它还可用于：让视频模型预演多条策略轨迹、由 VLM 选优做规划；估计策略在真实环境中的成功率；从目标物体轨迹反推出机器人动作。
这篇工作的关键不是“又训练了一个机器人视频生成器”，而是提出一种统一接口：同一视频先验，遮住/显露谁，就能在前向预测与逆向求解之间切换。
对做跨本体（cross-embodiment）泛化、视频世界模型与模型式规划的读者尤其值得看。
论文可以直接获取哦~👇🏻
