本文探讨了觉-语言-动作（VLA）模型在机器人学习中的应用，提出了一种视频生成式价值模型（ViVa），通过预测未来状态来改进价值估计。ViVa结合预训练的视频生成模型、当前观测和本体感知，评估任务进展，提升机器人在复杂环境中的操作能力。研究表明，该方法在真实世界任务中表现优越，能够有效跟踪任务进度并处理新颖物体。