Masked Visual Actions：像素级动作接口实现跨本体通用世界建模
视频模型蕴含丰富的物理先验，但低维动作信号（如关节角度）具有本体特异性，难以被预训练视频模型有效利用。本文提出“掩码视觉动作”（Masked Visual Actions），将动作表示为像素空间中实体的部分可见轨迹。通过LoRA微调Wan-Fun-Control 2.2 14B模型，在DROID和Robocasa数据集上训练。该方法实现了跨本体泛化，统一了前向模型（预测场景响应）和逆模型（合成机器人行为）。实验显示在DROID上LPIPS为0.0945，策略评估相关性r=0.982。需注意模型学习的是相关性而非因果关系，且存在对任务进展的正向偏差。