本文介绍了一种名为PEVA的模型，该模型通过学习身体关节的运动轨迹来预测自我中心视频，能够生成复杂的动作视频并支持长时间预测。PEVA在真实场景中表现优异，能够模拟人类的目标导向行为，但在规划和任务意图理解方面仍存在局限。未来研究将着重提升模型的互动性和任务导向能力。