该论文提出了一种视觉-运动策略学习框架，通过微调视频扩散模型来学习任务执行，以弥合人机操作者之间的隔阂。通过评估四个任务，证明了利用互联网规模的生成模型可以实现更高程度的泛化。

该论文提出了一种视觉-运动策略学习框架，通过人类示范对视频扩散模型进行微调，实现人机操作者之间的隔阂弥合。通过生成新颖场景的图像作为条件的任务执行示例，并直接使用合成的执行结果来控制机器人，实现更高程度的泛化。