arXiv · cs.AI · Jeremy Collins, Namra Patel, Ayush Agarwal, Shitij Govil, Animesh Garg · 3 小时前模型评分42
FloMo：用 3D 场景流作为世界动作模型中间表示，从人类视频中学习
FloMo: 3D Scene Flow as a World Action Model Intermediate for Learning from Human Video
导读
FloMo 是一个 5B 视频生成模型，经微调后预测 3D 场景流（scene flow，场景中每个点的三维运动）和动作 token，把场景流渲染为 RGB 并编码进与视频相同的潜空间，使预训练视频生成骨干能高效适配。
分类置信度
中 · 待人工复核
- 存在未解决的相邻类别：embodied-ai，需要人工复核。
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “FloMo is a 5B video-generation model fine-tuned to predict 3D scene-flow and action tokens.”
来源：arXiv · cs.AI · arxiv.org