论文提出Show-Harness具身控制框架，使视觉语言模型通过离散语义动作单元直接操控机器人，无需微调即可零样本控制，少量微调可适配小模型；并提出GUMI界面，支持人类与智能体在统一动作空间采集示教数据，实现跨形态复用与协同采集。
本研究提出了SG-I2V框架，解决了生成视频中调整特定元素（如物体运动或摄像机移动）的复杂问题。该框架利用预训练的图像到视频扩散模型，实现零样本控制，结果在视觉质量和运动保真度上优于无监督基线，并与有监督模型竞争。
完成下面两步后，将自动完成登录并继续当前操作。
