本研究评估了三种先进的姿态转换模型在生成真实人类动作视频方面的表现，发现这些模型在动作识别和与参考视频一致性上存在局限性，尤其在训练数据分布外的动作和身份上表现较差。

本研究改进了传统CLIP模型，提出Robotic-CLIP，通过微调30多万段动作视频，提升了机器人感知能力。实验表明，Robotic-CLIP在多语言机器人任务和实际抓取应用中表现出色。