Buchumschlag

Being-H0.7: A Latent World-Action Model from Egocentric Videos

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Hao, Zhang, Wanpeng, Feng, Yicheng, Zheng, Sipeng, Xu, Haiweng, Xu, Chaoyi, Xi, Ziheng, Fu, Yuhui, Lu, Zongqing
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Robotics Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models
von: Xu, Haiweng, et al.
Veröffentlicht: (2026)

Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization
von: Luo, Hao, et al.
Veröffentlicht: (2026)

Conservative Offline Robot Policy Learning via Posterior-Transition Reweighting
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2026)

Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild
von: Luo, Hao, et al.
Veröffentlicht: (2026)

Being-H0: Vision-Language-Action Pretraining from Large-Scale Human Videos
von: Luo, Hao, et al.
Veröffentlicht: (2025)

Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization
von: Wang, Ye, et al.
Veröffentlicht: (2026)

VideoOrion: Tokenizing Object Dynamics in Videos
von: Feng, Yicheng, et al.
Veröffentlicht: (2024)

Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos
von: Feng, Yicheng, et al.
Veröffentlicht: (2025)

Unified Multimodal Understanding via Byte-Pair Visual Encoding
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2025)

DiG-Flow: Discrepancy-Guided Flow Matching for Robust VLA Models
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2025)

From Pixels to Tokens: Byte-Pair Encoding on Quantized Visual Modalities
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2024)

Do Egocentric Video-Language Models Truly Understand Hand-Object Interactions?
von: Xu, Boshen, et al.
Veröffentlicht: (2024)

Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills
von: Yuan, Haoqi, et al.
Veröffentlicht: (2025)

UniCode: Learning a Unified Codebook for Multimodal Large Language Models
von: Zheng, Sipeng, et al.
Veröffentlicht: (2024)

POV: Prompt-Oriented View-Agnostic Learning for Egocentric Hand-Object Interaction in the Multi-View World
von: Xu, Boshen, et al.
Veröffentlicht: (2024)

AdaRefiner: Refining Decisions of Language Models with Adaptive Feedback
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2023)

EgoDTM: Towards 3D-Aware Egocentric Video-Language Pretraining
von: Xu, Boshen, et al.
Veröffentlicht: (2025)

DemoHLM: From One Demonstration to Generalizable Humanoid Loco-Manipulation
von: Fu, Yuhui, et al.
Veröffentlicht: (2025)

Being-M0.5: A Real-Time Controllable Vision-Language-Motion Model
von: Cao, Bin, et al.
Veröffentlicht: (2025)

Robust Motion Generation using Part-level Reliable Data from Videos
von: Li, Boyuan, et al.
Veröffentlicht: (2025)

OpenT2M: No-frill Motion Generation with Open-source,Large-scale, High-quality Data
von: Cao, Bin, et al.
Veröffentlicht: (2026)

Latent Radiance Fields with 3D-aware 2D Representations
von: Zhou, Chaoyi, et al.
Veröffentlicht: (2025)

X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models
von: Li, Boyu, et al.
Veröffentlicht: (2026)

Taking Notes Brings Focus? Towards Multi-Turn Multimodal Dialogue Learning
von: Liu, Jiazheng, et al.
Veröffentlicht: (2025)

PlayerOne: Egocentric World Simulator
von: Tu, Yuanpeng, et al.
Veröffentlicht: (2025)

Spatial-Conditioned Reasoning in Long-Egocentric Videos
von: Tribble, James, et al.
Veröffentlicht: (2026)

Tackling Non-Stationarity in Reinforcement Learning via Causal-Origin Representation
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2023)

Olaf-World: Orienting Latent Actions for Video World Modeling
von: Jiang, Yuxin, et al.
Veröffentlicht: (2026)

UniTacHand: Unified Spatio-Tactile Representation for Human to Robotic Hand Skill Transfer
von: Zhang, Chi, et al.
Veröffentlicht: (2025)

Efficient Residual Learning with Mixture-of-Experts for Universal Dexterous Grasping
von: Huang, Ziye, et al.
Veröffentlicht: (2024)

Learning Diverse Bimanual Dexterous Manipulation Skills from Human Demonstrations
von: Zhou, Bohan, et al.
Veröffentlicht: (2024)

Cross-Embodiment Dexterous Grasping with Reinforcement Learning
von: Yuan, Haoqi, et al.
Veröffentlicht: (2024)

WorldWander: Bridging Egocentric and Exocentric Worlds in Video Generation
von: Song, Quanjian, et al.
Veröffentlicht: (2025)

LOME: Learning Human-Object Manipulation with Action-Conditioned Egocentric World Model
von: Gao, Quankai, et al.
Veröffentlicht: (2026)

Motion Focus Recognition in Fast-Moving Egocentric Video
von: Hong, Si-En, et al.
Veröffentlicht: (2026)

EgoVid-5M: A Large-Scale Video-Action Dataset for Egocentric Video Generation
von: Wang, Xiaofeng, et al.
Veröffentlicht: (2024)

Retrieval-Augmented Egocentric Video Captioning
von: Xu, Jilan, et al.
Veröffentlicht: (2024)

MEgoHand: Multimodal Egocentric Hand-Object Interaction Motion Generation
von: Zhou, Bohan, et al.
Veröffentlicht: (2025)

SPAFormer: Sequential 3D Part Assembly with Transformers
von: Xu, Boshen, et al.
Veröffentlicht: (2024)

EgoEMG: A Multimodal Egocentric Dataset with Bilateral EMG and Vision for Hand Pose Estimation
von: Xi, Ziheng, et al.
Veröffentlicht: (2026)