Meta发布的V-JEPA 2世界模型能够在62小时内训练机器人，使其理解物理世界并进行预测与规划。该模型通过自监督学习，利用大量视频数据提升机器人控制能力，标志着机器人技术的新纪元。

本文介绍了「七月在线」开发的NaVILA框架，旨在提升腿式机器人在视觉与语言导航中的能力。NaVILA将高级语言指令转化为中级动作，并结合低级运动策略，提高了导航效率。该框架利用真实视频数据训练，显著提升了机器人在复杂环境中的成功率，展现了广泛的应用潜力。

本研究提出了一种基于视频数据的价值函数，旨在解决在线强化学习中稀疏奖励导致的反馈不足问题。该方法利用多样的数据源，展现出良好的迁移效果和泛化能力，有望提升在线强化学习的效果与效率。

本研究提出了一种新颖的非侵入性方法，利用多模态预测模型整合RGB和热成像视频数据与患者元数据，显著提高了远程肺活量测定的准确性，达到92%和99.5%。

该研究提出了一个用于低地球轨道卫星的三维重建框架，通过利用小型业余望远镜捕获的视频数据。该框架包括预处理流程和改进的三维高斯光滑算法，能够产生精细的三维点云。通过实际观测验证，该方法在重建三维空间目标方面具有显著优势。

我们使用深度学习预测足球犯规，结合视频数据、边界框位置、图像细节和姿势信息，利用卷积和循环神经网络，模型优于其他模型。研究结果对于理解足球比赛中的犯规行为具有重要意义，并为未来研究提供参考。

本文提出了一种用于无监督特征学习的视频数据的强基线模型，通过学习预测输入视频序列中缺少的帧或外推未来帧，该模型发现了对于表示复杂变形和运动模式有用的空间和时间相关性，并且是借鉴语言建模文献，通过将图像补丁的空间量化为一个大字典，适应了视觉领域。我们在填充和生成任务上演示了该方法。第一次，我们展示了在自然视频上训练后，这样一个模型可以预测短视频序列中的非平凡运动。