DreamX：把视频扩散模型变成通用潜在动作学习器

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器，把每帧潜在视频从 1,200 个 token 压缩到 4 个，压缩约 300 倍。在 LARY-Bench 上，它在潜在动作模型中达到当前最优表现，并支持跨人类与机器人等不同具身、环境和动作参数化的零样本动作迁移。该共享潜在动作空间还可用于策略学习，降低基于视频扩散模型的策略计算成本。