Fortschritte in der Robotervideogenerierung durch neue Benchmarks und Datensätze

Die Fortschritte in der generativen KI haben in den letzten Jahren eine rasante Entwicklung erfahren, insbesondere im Bereich der Videogenerierung. Diese Modelle eröffnen neue Möglichkeiten für die Robotik und die verkörperte Künstliche Intelligenz (Embodied AI), indem sie vielfältige Robotikdaten erzeugen, die Wahrnehmung, Argumentation und Handlungen in der physischen Welt umfassen. Trotz dieser Fortschritte bleibt die Synthese qualitativ hochwertiger Videos, die reale Roboterinteraktionen präzise widerspiegeln, eine Herausforderung. Ein wesentlicher Engpass war bisher das Fehlen eines standardisierten Benchmarks, der faire Vergleiche und Fortschritte ermöglicht.

RBench: Ein neuer Standard für die Bewertung von Robotervideogenerierung

Um diese Lücke zu schließen, wurde RBench eingeführt, ein umfassender Robotik-Benchmark, der speziell für die Bewertung der roboterorientierten Videogenerierung entwickelt wurde. RBench bewertet die Korrektheit auf Aufgabenebene und die visuelle Wiedergabetreue durch reproduzierbare Untermetriken, darunter strukturelle Konsistenz, physikalische Plausibilität und Vollständigkeit der Aktion. Im Gegensatz zu früheren Methoden, die sich hauptsächlich auf perzeptuelle Metriken konzentrieren, integriert RBench beides, um eine ganzheitliche Bewertung zu gewährleisten.

Aufbau des Benchmarks

RBench umfasst 650 Bild-Text-Paare, die sich auf fünf Aufgabenbereiche und vier verschiedene Verkörperungen verteilen:

• Aufgabenorientierte Kategorien:
  • Gängige Manipulation (Common Manipulation)
  • Langfristige Planung (Long-horizon Planning)
  • Multi-Entitäts-Kollaboration (Multi-entity Collaboration)
  • Räumliche Beziehungen (Spatial Relationship)
  • Visuelle Argumentation (Visual Reasoning)
• Verkörperungsspezifische Kategorien:
  • Zweiarmige Roboter (Dual-arm robots)
  • Humanoide Roboter (Humanoid robots)
  • Einarmige Roboter (Single-arm robots)
  • Vierbeinige Roboter (Quadruped robots)

Jedes Beispielbild ist ein Schlüsselbild aus hochwertigen Videos, die aus öffentlichen Datensätzen oder Online-Quellen stammen. Die zugehörigen Textaufforderungen werden manuell überprüft, um Genauigkeit und sprachliche Vielfalt sicherzustellen. Um eine Überlappung mit Trainingsdaten zu vermeiden, werden für den Evaluationssatz Videos ausgewählt, die nicht im Trainingsdatensatz enthalten sind, und neue Aufgabenaufforderungen erstellt.

Automatische Metriken und ihre Bedeutung

RBench nutzt ein Set automatischer Bewertungsmetriken, die sowohl den visuellen Realismus als auch die Gültigkeit der Aufgaben auf Roboter-Videos bewerten. Hierbei kommen multimodale große Sprachmodelle (MLLMs) wie Qwen3-VL und GPT-5 zum Einsatz. Die Metriken umfassen:

• Aufgabenerfüllung:
  • Physikalisch-semantische Plausibilität: Bewertet die Einhaltung alltäglicher physikalischer und semantischer Regeln, die von Standard-Perzeptionsbewertungen oft übersehen werden. Dies beinhaltet die Erkennung von schwebenden Objekten, Durchdringungen, spontanem Erscheinen/Verschwinden von Entitäten und inkorrekten Griffen.
  • Aufgabenkonformität: Bewertet, ob das Video der Absicht und Reihenfolge der Aufforderung entspricht. Dies beinhaltet die Überprüfung auf fehlende Aktionen, falsche Reihenfolgen oder semantische Abweichungen.
• Visuelle Qualität:
  • Bewegungsamplitude: Misst die Bewegungsamplitude des Robotersubjekts und berücksichtigt dabei kamerabedingte Bewegungen, um Videos zu bestrafen, die zwar flüssig erscheinen, aber keine sinnvolle Subjektaktivität aufweisen.
  • Roboter-Subjekt-Stabilität: Bewertet die Stabilität der Robotermorphologie und der Attribute des Zielobjekts über die Zeit, um Verformungen oder Inkonsistenzen zu erkennen.
  • Bewegungsglätte: Quantifiziert die zeitliche Kontinuität und natürliche Dynamik, um Artefakte wie Jitter oder Unschärfe zu identifizieren.

RoVid-X: Ein umfassender Datensatz für die Robotervideogenerierung

Neben dem Benchmark führt RBench auch RoVid-X ein, den größten quelloffenen Robotik-Datensatz für die Videogenerierung. Dieser Datensatz enthält etwa 4 Millionen annotierte Videoclips, die Tausende von Aufgaben abdecken und mit umfassenden physikalischen Eigenschaftsannotationen angereichert sind. RoVid-X wurde durch eine verfeinerte vierstufige Datenpipeline erstellt:

• Robotervideo-Sammlung: Rohvideos von großen Internet-Videoplattformen und über 20 quelloffenen Datensätzen werden gesammelt und mithilfe von GPT-5 nach Relevanz und Qualität gefiltert.
• Videoqualitätsfilterung: Eine rigorose Filterung entfernt Videos von geringer Qualität oder irrelevante Clips, basierend auf Kriterien wie Klarheit, dynamischen Effekten und ästhetischer Leistung.
• Aufgabensegmentierung und -beschriftung: Ein Videoverständnismodell und eine spezielle Prompt-Vorlage analysieren Roboteraktionen, segmentieren Videos in Aufgabenabschnitte und generieren kurze Untertitel, die Aktionen und Details beschreiben.
• Annotation physikalischer Eigenschaften: Videos werden durch hochauflösende Verbesserungen (FlashVSR), optische Flussannotationen (AllTracker) und Tiefenkarten (Video Depth Anything) mit physikalischen Attributen angereichert, um Konsistenz und Realismus zu gewährleisten.

RoVid-X zielt darauf ab, die Lücke zwischen traditionellen Videogenerierungsaufgaben und den einzigartigen Anforderungen des verkörperten Roboterlernens zu schließen, wo physikalische Interaktion, räumliche Beziehungen und reale Dynamik eine entscheidende Rolle spielen.

Experimentelle Ergebnisse und Analysen

Die Evaluation von 25 repräsentativen Modellen mittels RBench liefert wichtige Erkenntnisse über den aktuellen Stand der Robotervideogenerierung.

Quantitative Ergebnisse

Die Ergebnisse zeigen einen Paradigmenwechsel in der Videogenerierungslandschaft: von der reinen visuellen Wiedergabetreue hin zur physikalischen Intelligenz. Kommerzielle Top-Modelle wie Wan 2.6 und Seedance 1.5 Pro beginnen, sich als effektive "Welt-Simulatoren" zu etablieren. Dies deutet darauf hin, dass sich das Feld in Richtung einer "Physischen KI" bewegt, bei der Modelle interaktionsreiche, physikalisch herausfordernde reale Szenarien verstehen und simulieren müssen, anstatt nur ästhetisch ansprechende Videos zu erzeugen.

Die Analyse der Modellentwicklung zeigt eine starke Korrelation zwischen der Modelliteration und den physikalischen Argumentationsfähigkeiten. Modelle wie die Wan-Serie zeigen erhebliche Leistungssteigerungen, was darauf hindeutet, dass Skalierungsgesetze und iterative Optimierung nicht nur die visuelle Qualität verbessern, sondern auch das physikalische Verständnis und die Steuerlogik der Modelle verfeinern.

Überraschenderweise schneiden weit verbreitete, konsumentenorientierte Modelle wie die Sora-Serie bei diesem Benchmark suboptimal ab. Dies deutet auf eine kritische "Domänenlücke" hin: Modelle, die für Medienkonsum optimiert sind, priorisieren visuelle Glätte und filmische Übergänge, oft auf Kosten physikalischer Wiedergabetreue und präziser Bewegungssteuerung. Dies unterstreicht die Notwendigkeit physikalisch fundierter Trainingsdaten für Embodied AI-Aufgaben.

Kommerzielle Closed-Source-Modelle belegen die oberen Ränge des Benchmarks und zeigen einen klaren Vorteil gegenüber Open-Source-Alternativen. Diese Diskrepanz verdeutlicht die Dringlichkeit für die Open-Source-Community, durch konzertierte Anstrengungen in der Skalierung physikalischer Trainingsdaten und der Optimierung von Architekturen für verkörperte Videoaufgaben leistungsfähige Basismodelle zu demokratisieren.

Obwohl allgemeine Basismodelle die Bestenliste anführen, zeigt das roboterspezifische Modell Cosmos 2.5 eine bemerkenswerte Widerstandsfähigkeit. Es übertrifft deutlich größere Open-Source-Videomodelle, was bestätigt, dass das Training mit physikalischen Daten stabile Gewinne bei Robotikaufgaben erzielt. Umgekehrt haben Modelle, die auf spezifische Roboterentitäten feinabgestimmt sind (z. B. Vidar, UnifoLM), erhebliche Schwierigkeiten. Dies verdeutlicht einen kritischen Kompromiss: Domänenspezifische Daten sind zwar für die Steuerungspräzision wertvoll, können aber das Defizit an "Weltwissen", das durch groß angelegtes Vortraining bereitgestellt wird, nicht vollständig ausgleichen. Das Gleichgewicht zwischen proprietären Roboterdaten und verallgemeinerbaren Repräsentationen bleibt eine zentrale Herausforderung für die zukünftige Forschung.

Ein konsistenter Trend über alle Modellfamilien hinweg ist, dass Aufgaben, die eine hohe logische oder präzise Interaktion erfordern, die größten Leistungsengpässe darstellen. Es besteht eine erhebliche "Kognitive Lücke" bei Aufgaben wie der visuellen Argumentation, und eine "Manipulationslücke" bei feinkörnigen Manipulationsaufgaben im Vergleich zu grobkörnigen Fortbewegungsaufgaben.

Qualitative Ergebnisse

Qualitative Analysen ausgewählter Aufgaben zeigen, dass Modelle wie Seedance 1.0 und Hailuo bei visuellen Argumentationsaufgaben präziser sind, während Wan 2.5 bei langfristiger Planung erfolgreich ist. Es gibt jedoch weiterhin Fälle von unrealistischen Darstellungen und physikalischen Inkonsistenzen, was die Notwendigkeit solcher Benchmarks zur Weiterentwicklung von Videogenerierungsmodellen für Robotikaufgaben unterstreicht.

Menschliche Präferenzstudie

Eine Studie zur menschlichen Präferenz ergab eine hohe Korrelation (Spearman-Korrelationskoeffizient von 0,96) zwischen den automatisierten RBench-Metriken und menschlichen Bewertungen. Dies validiert die Effektivität und Zuverlässigkeit der automatisierten Metriken als Bewertungsstandard für Robotervideogenerierungsaufgaben.

Validierung von RoVid-X

Die Feinabstimmung von Modellen mit RoVid-X führte zu einer signifikanten Leistungssteigerung in allen fünf Aufgabenbereichen und vier Verkörperungen, was die Effektivität des Datensatzes und der Datenerfassungspipeline bestätigt.

Fazit

Die vorgestellte Arbeit zur Neukonzeption von Videogenerierungsmodellen für die verkörperte Welt mit RBench und RoVid-X stellt einen bedeutenden Schritt zur Überwindung der aktuellen Herausforderungen dar. RBench bietet einen detaillierten Bewertungsrahmen, der über die visuelle Qualität hinausgeht und physikalische Plausibilität und Aufgabenkorrektheit berücksichtigt. RoVid-X liefert als umfangreicher und vielfältiger Datensatz die notwendige Grundlage für das Training robuster Modelle. Die Ergebnisse zeigen, dass trotz bemerkenswerter Fortschritte noch erhebliche Verbesserungen notwendig sind, um physikalisch realistische Roboterverhaltensweisen zu generieren. Die Erkenntnisse aus dieser Forschung bieten Forschenden neue Perspektiven für die Entwicklung von Videomodellen in der verkörperten KI.

Zukünftige Arbeiten zielen darauf ab, die Lücke zwischen Videogenerierung und ausführbaren Roboterstrategien zu schließen, indem umgekehrte Dynamikmodelle (IDM) eingesetzt werden, um ausführbare Aktionen aus generierten Videos abzuleiten. Dies soll Closed-Loop-Kontrollexperimente in Simulationen und realer Hardware ermöglichen. Darüber hinaus sollen automatisierte und physikalisch fundierte Bewertungsmetriken entwickelt werden, um die kinematische und dynamische Machbarkeit generierter Verhaltensweisen rigoros zu bewerten. Ein weiterer Fokus liegt auf dem Training von Videogenerierungsmodellen mit verbesserten physikalischen Fähigkeiten, um die Erzeugung von Roboter-Videos zu ermöglichen, die hochpräzise Aktionen ausführen. Diese Bemühungen werden die Entwicklung einer umfassenden Lösung für videobasierte verkörperte Intelligenz beschleunigen.

Bibliography Aldaco et al. [2024] Jorge Aldaco, Travis Armstrong, Robert Baruch, Jeff Bingham, Sanky Chan, Kenneth Draper, Debidatta Dwibedi, Chelsea Finn, Pete Florence, Spencer Goodrich, et al. Aloha 2: An enhanced low-cost hardware for bimanual teleoperation. arXiv preprint arXiv:2405.02292, 2024. Ali et al. [2025] Arslan Ali, Junjie Bai, Maciej Bala, Yogesh Balaji, Aaron Blakeman, Tiffany Cai, Jiaxin Cao, Tianshi Cao, Elizabeth Cha, Yu-Wei Chao, et al. World simulation with video foundation models for physical ai. arXiv preprint arXiv:2511.00062, 2025. Bai et al. [2025] Shuai Bai, Keqin Chen, Xuejing Liu, Jialin Wang, Wenbin Ge, Sibo Song, Kai Dang, Peng Wang, Shijie Wang, and Tang. Qwen3-vl technical report. arXiv preprint arXiv, 2025. Baker et al. [2022] Bowen Baker, Ilge Akkaya, Peter Zhokov, Joost Huizinga, Jie Tang, Adrien Ecoffet, Brandon Houghton, Raul Sampedro, and Jeff Clune. Video pretraining (vpt): Learning to act by watching unlabeled online videos. Advances in Neural Information Processing Systems, 35:24639–24654, 2022. Ball et al. [2025] Philip J. Ball, Jakob Bauer, Frank Belletti, Bethanie Brownfield, Ariel Ephrat, Shlomi Fruchter, Agrim Gupta, Kristian Holsheimer, Aleksander Holynski, Jiri Hron, Christos Kaplanis, Marjorie Limont, Matt McGill, Yanko Oliveira, Jack Parker-Holder, and Frank Perbet. Genie 3: A new frontier for world models. arXiv preprint arXiv, 2025. Bansal et al. [2024] Hritik Bansal, Zongyu Lin, Tianyi Xie, Zeshun Zong, Michal Yarom, Yonatan Bitton, Chenfanfu Jiang, Yizhou Sun, Kai-Wei Chang, and Aditya Grover. Videophy: Evaluating physical commonsense for video generation. arXiv preprint arXiv:2406.03520, 2024. Bharadhwaj et al. [2024] Homanga Bharadhwaj, Debidatta Dwibedi, Abhinav Gupta, Shubham Tulsiani, Carl Doersch, Ted Xiao, Dhruv Shah, Fei Xia, Dorsa Sadigh, and Sean Kirmani. Gen2act: Human video generation in novel scenarios enables generalizable robot manipulation. arXiv preprint arXiv:2409.16283, 2024. Bjorck et al. [2025] Johan Bjorck, Fernando Castañeda, Nikita Cherniadev, Xingye Da, Runyu Ding, Linxi Fan, Yu Fang, Dieter Fox, Fengyuan Hu, Spencer Huang, et al. Gr00t n1: An open foundation model for generalist humanoid robots. arXiv preprint arXiv:2503.14734, 2025. Black et al. [2024] Kevin Black, Noah Brown, Danny Driess, Adnan Esmail, Michael Equi, Chelsea Finn, Niccolo Fusai, Lachy Groom, Karol Hausman, Brian Ichter, et al. π: A vision-language-action flow model for general robot control. CoRR, 2024. Brohan et al. [2022] Anthony Brohan, Noah Brown, Justice Carbajal, Yevgen Chebotar, Joseph Dabis, Chelsea Finn, Keerthana Gopalakrishnan, Karol Hausman, Alex Herzog, Jasmine Hsu, et al. Rt-1: Robotics transformer for real-world control at scale. arXiv preprint arXiv:2212.06817, 2022. Bruce et al. [2024] Jake Bruce, Michael D Dennis, Ashley Edwards, Jack Parker-Holder, Yuge Shi, Edward Hughes, Matthew Lai, Aditi Mavalankar, Richie Steigerwald, Chris Apps, et al. Genie: Generative interactive environments. In Forty-first International Conference on Machine Learning, 2024. Bu et al. [2025] Qingwen Bu, Jisong Cai, Li Chen, Xiuqi Cui, Yan Ding, Siyuan Feng, Shenyuan Gao, Xindong He, Xuan Hu, Xu Huang, et al. Agibot world colosseo: A large-scale manipulation platform for scalable and intelligent embodied systems. arXiv preprint arXiv:2503.06669, 2025. Bugliarello et al. [2023] Emanuele Bugliarello, H Hernan Moraldo, Ruben Villegas, Mohammad Babaeizadeh, Mohammad Taghi Saffar, Han Zhang, Dumitru Erhan, Vittorio Ferrari, Pieter-Jan Kindermans, and Paul Voigtlaender. Storybench: A multifaceted benchmark for continuous story visualization. Advances in Neural Information Processing Systems, 36:78095–78125, 2023. Cheang et al. [2024] Chi-Lam Cheang, Guangzeng Chen, Ya Jing, Tao Kong, Hang Li, Yifeng Li, Yuxiao Liu, Hongtao Wu, Jiafeng Xu, Yichu Yang, et al. Gr-2: A generative video-language-action model with web-scale knowledge for robot manipulation. arXiv preprint arXiv:2410.06158, 2024. Chen et al. [2025a] Guibin Chen, Dixuan Lin, Jiangping Yang, Chunze Lin, Junchen Zhu, Mingyuan Fan, Hao Zhang, Sheng Chen, Zheng Chen, Chengcheng Ma, Weiming Xiong, Wei Wang, Nuo Pang, Kang Kang, Zhiheng Xu, Yuzhe Jin, Yupeng Liang, Yubing Song, Peng Zhao, Boyuan Xu, Di Qiu, Debang Li, Zhengcong Fei, Yang Li, and Yahui Zhou. Skyreels-v2: Infinite-length film generative model, 2025a. URL https://arxiv.org/abs/2504.13074. Chen et al. [2025b] Sili Chen, Hengkai Guo, Shengnan Zhu, Feihu Zhang, Zilong Huang, Jiashi Feng, and Bingyi Kang. Video depth anything: Consistent depth estimation for super-long videos. arXiv:2501.12375, 2025b. Chen et al. [2025c] Siyan Chen, Yanfei Chen, Ying Chen, Zhuo Chen, Feng Cheng, Xuyan Chi, Jian Cong, Qinpeng Cui, Qide Dong, Junliang Fan, et al. Seedance 1.5 pro: A native audio-visual joint generation foundation model. arXiv preprint arXiv:2512.13507, 2025c. Damen et al. [2018] Dima Damen, Hazel Doughty, Giovanni Maria Farinella, Sanja Fidler, Antonino Furnari, Evangelos Kazakos, Davide Moltisanti, Jonathan Munro, Toby Perrett, Will Price, et al. Scaling egocentric vision: The epic-kitchens dataset. In Proceedings of the European conference on computer vision (ECCV), pages 720–736, 2018. Dasari et al. [2019] Sudeep Dasari, Frederik Ebert, Stephen Tian, Suraj Nair, Bernadette Bucher, Karl Schmeckpeper, Siddharth Singh, Sergey Levine, and Chelsea Finn. Robonet: Large-scale multi-robot learning. arXiv preprint arXiv:1910.11215, 2019. Deng et al. [2025a] Yufan Deng, Xun Guo, Yizhi Wang, Jacob Zhiyuan Fang, Angtian Wang, Shenghai Yuan, Yiding Yang, Bo Liu, Haibin Huang, and Chongyang Ma. Cinema: Coherent multi-subject video generation via mllm-based guidance. arXiv preprint arXiv:2503.10391, 2025a. Deng et al. [2025b] Yufan Deng, Xun Guo, Yuanyang Yin, Jacob Zhiyuan Fang, Yiding Yang, Yizhi Wang, Shenghai Yuan, Angtian Wang, Bo Liu, Haibin Huang, et al. Magref: Masked guidance for any-reference video generation. arXiv preprint arXiv:2505.23742, 2025b. Du et al. [2023] Yilun Du, Sherry Yang, Bo Dai, Hanjun Dai, Ofir Nachum, Josh Tenenbaum, Dale Schuurmans, and Pieter Abbeel. Learning universal policies via text-guided video generation. Advances in neural information processing systems, 36:9156–9172, 2023. Ebert et al. [2021] Frederik Ebert, Yanlai Yang, Karl Schmeckpeper, Bernadette Bucher, Georgios Georgakis, Kostas Daniilidis, Chelsea Finn, and Sergey Levine. Bridge data: Boosting generalization of robotic skills with cross-domain datasets. arXiv preprint arXiv:2109.13396, 2021. Fang et al. [2023] Hao-Shu Fang, Hongjie Fang, Zhenyu Tang, Jirong Liu, Chenxi Wang, Junbo Wang, Haoyi Zhu, and Cewu Lu. Rh20t: A comprehensive robotic dataset for learning diverse skills in one-shot. arXiv preprint arXiv:2307.00595, 2023. Feng et al. [2025] Yao Feng, Hengkai Tan, Xinyi Mao, Chendong Xiang, Guodong Liu, Shuhe Huang, Hang Su, and Jun Zhu. Vidar: Embodied video diffusion model for generalist manipulation. arXiv preprint arXiv:2507.12898, 2025. Fourier ActionNet Team [2025] Yao Mu Fourier ActionNet Team. Actionnet: A dataset for dexterous bimanual manipulation. arXiv preprint arXiv, 2025. Fu et al. [2024] Zipeng Fu, Tony Z Zhao, and Chelsea Finn. Mobile aloha: Learning bimanual mobile manipulation with low-cost whole-body teleoperation. arXiv preprint arXiv:2401.02117, 2024. Gao et al. [2025a] Ruiyuan Gao, Kai Chen, Bo Xiao, Lanqing Hong, Zhenguo Li, and Qiang Xu. Magicdrive-v2: High-resolution long video generation for autonomous driving with adaptive control. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 28135–28144, 2025a. Gao et al. [2025b] Yu Gao, Haoyuan Guo, Tuyen Hoang, Weilin Huang, Lu Jiang, Fangyuan Kong, Huixia Li, Jiashi Li, Liang Li, Xiaojie Li, et al. Seedance 1.0: Exploring the boundaries of video generation models. arXiv preprint arXiv:2506.09113, 2025b. Google DeepMind [2025] Google DeepMind. Veo-3 technical report. Technical report, Google DeepMind, May 2025. URL https://storage.googleapis.com/deepmind-media/veo/Veo-3-Tech-Report.pdf. Goyal et al. [2017] Raghav Goyal, Samira Ebrahimi Kahou, Vincent Michalski, Joanna Materzynska, Susanne Westphal, Heuna Kim, Valentin Haenel, Ingo Fruend, Peter Yianilos, Moritz Mueller-Freitag, et al. The "something something" video database for learning and evaluating visual common sense. In Proceedings of the IEEE international conference on computer vision, pages 5842–5850, 2017. Grauman et al. [2022] Kristen Grauman, Andrew Westbury, Eugene Byrne, Zachary Chavis, Antonino Furnari, Rohit Girdhar, Jackson Hamburger, Hao Jiang, Miao Liu, Xingyu Liu, et al. Ego4d: Around the world in 3,000 hours of egocentric video. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 18995–19012, 2022. Gu et al. [2025] Jing Gu, Xian Liu, Yu Zeng, Ashwin Nagarajan, Fangrui Zhu, Daniel Hong, Yue Fan, Qianqi Yan, Kaiwen Zhou, Ming-Yu Liu, et al. "phyworldbench": A comprehensive evaluation of physical realism in text-to-video models. arXiv preprint arXiv:2507.13428, 2025. Guo et al. [2025a] Dong Guo, Faming Wu, Feida Zhu, Fuxing Leng, Guang Shi, Haobin Chen, Haoqi Fan, Jian Wang, Jianyu Jiang, Jiawei Wang, et al. Seed1. 5-vl technical report. arXiv preprint arXiv:2505.07062, 2025a. Guo et al. [2024a] Xun Guo, Mingwu Zheng, Liang Hou, Yuan Gao, Yufan Deng, Pengfei Wan, Di Zhang, Yufan Liu, Weiming Hu, Zhengjun Zha, Haibin Huang, and Chongyang Ma. I2v-adapter: A general image-to-video adapter for diffusion models. In ACM SIGGRAPH 2024 Conference Papers, pages 1–12, 2024a. Guo et al. [2025b] Xuyang Guo, Jiayan Huo, Zhenmei Shi, Zhao Song, Jiahao Zhang, and Jiale Zhao. T2vphysbench: A first-principles benchmark for physical consistency in text-to-video generation. arXiv preprint arXiv:2505.00337, 2025b. Guo et al. [2024b] Yanjiang Guo, Yucheng Hu, Jianke Zhang, Yen-Jen Wang, Xiaoyu Chen, Chaochao Lu, and Jianyu Chen. Prediction with action: Visual policy learning via joint denoising process. Advances in Neural Information Processing Systems, 37:112386–112410, 2024b. Guo et al. [2025c] Yanjiang Guo, Lucy Xiaoyang Shi, Jianyu Chen, and Chelsea Finn. Ctrl-world: A controllable generative world model for robot manipulation. arXiv preprint arXiv:2510.10125, 2025c. HaCohen et al. [2024] Yoav HaCohen, Nisan Chiprut, Benny Brazowski, Daniel Shalem, Dudu Moshe, Eitan Richardson, Eran Levin, Guy Shiran, Nir Zabari, Ori Gordon, Poriya Panet, Sapir Weissbuch, Victor Kulikov, Yaki Bitterman, Zeev Melumian, and Ofir Bibi. Ltx-video: Realtime video latent diffusion. arXiv preprint arXiv:2501.00103, 2024. HaCohen et al. [2026] Yoav HaCohen, Benny Brazowski, Nisan Chiprut, Yaki Bitterman, Andrew Kvochko, Avishai Berkowitz, Daniel Shalem, Daphna Lifschitz, Dudu Moshe, Eitan Porat, et al. Ltx-2: Efficient joint audio-visual foundation model. arXiv preprint arXiv:2601.03233, 2026. Hailuo [2025] Hailuo. Hailuo. Hailuo Lab, 2025. URL https://hailuoai.video/. Han et al. [2025] Hui Han, Siyuan Li, Jiaqi Chen, Yiwen Yuan, Yuling Wu, Yufan Deng, Chak Tou Leong, Hanwen Du, Junchen Fu, Youhua Li, et al. Video-bench: Human-aligned video generation benchmark. In Proceedings of the Computer Vision and Pattern Recognition Conference, pages 18858–18868, 2025. Harley et al. [2025] Adam W. Harley, Yang You, Xinglong Sun, Yang Zheng, Nikhil Raghuraman, Yunqi Gu, Sheldon Liang, Wen-Hsuan Chu, Achal Dave, Pavel Tokmakov, Suya You, Rares Ambrus, Katerina Fragkiadaki, and Leonidas J. Guibas. AllTracker: Efficient dense point tracking at high resolution. In Proceedings of the IEEE/CVF International Conference on Computer Vision, 2025. Ho et al. [2020] Jonathan Ho, Ajay Jain, and Pieter Abbeel. Denoising diffusion probabilistic models. Advances in neural information processing systems, 33:6840–6851, 2020. Hu et al. [2024] Yucheng Hu, Yanjiang Guo, Pengchao Wang, Xiaoyu Chen, Yen-Jen Wang, Jianke Zhang, Koushil Sreenath, Chaochao Lu, and Jianyu Chen. Video prediction policy: A generalist robot policy with predictive visual representations. arXiv preprint arXiv:2412.14803, 2024. Huang et al. [2024] Ziqi Huang, Yinan He, Jiashuo Yu, Fan Zhang, Chenyang Si, Yuming Jiang, Yuanhan Zhang, Tianxing Wu, Qingyang Jin, Nattapol Chanpaisit, et al. Vbench: Comprehensive benchmark suite for video generative models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 21807–21818, 2024. Jang et al. [2025] Joel Jang, Seonghyeon Ye, Zongyu Lin, Jiannan Xiang, Johan Bjorck, Yu Fang, Fengyuan Hu, Spencer Huang, Kaushil Kundalia, Yen-Chen Lin, et al. Dreamgen: Unlocking generalization in robot learning through video world models. arXiv preprint arXiv:2505.12705, 2025. Ji et al. [2024] Pengliang Ji, Chuyang Xiao, Huilin Tai, and Mingxiao Huo. T2vbench: Benchmarking temporal dynamics for text-to-video generation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, pages 5325–5335, June 2024. Jiang et al. [2025a] Tao Jiang, Tianyuan Yuan, Yicheng Liu, Chenhao Lu, Jianning Cui, Xiao Liu, Shuiqi Cheng, Jiyang Gao, Huazhe Xu, and Hang Zhao. Galaxea open-world dataset and g0 dual-system vla model. arXiv preprint arXiv:2509.00576, 2025a. Jiang et al. [2025b] Yuming Jiang, Siteng Huang, Shengke Xue, Yaxi Zhao, Jun Cen, Sicong Leng, Kehan Li, Jiayan Guo, Kexiang Wang, Mingxiu Chen, et al. Rynnvla-001: Using human demonstrations to improve robot manipulation. arXiv preprint arXiv:2509.15212, 2025b. Jiang et al. [2025c] Zeyinzi Jiang, Zhen Han, Chaojie Mao, Jingfeng Zhang, Yulin Pan, and Yu Liu. Vace: All-in-one video creation and editing. arXiv preprint arXiv:2503.07598, 2025c. Jiang et al. [2025d] Zhenyu Jiang, Yuqi Xie, Kevin Lin, Zhenjia Xu, Weikang Wan, Ajay Mandlekar, Linxi Jim Fan, and Yuke Zhu. Dexmimicgen: Automated data generation for bimanual dexterous manipulation via imitation learning. In 2025 IEEE International Conference on Robotics and Automation (ICRA), pages 16923–16930. IEEE, 2025d. Ju et al. [2025] Xuan Ju, Tianyu Wang, Yuqian Zhou, He Zhang, Qing Liu, Nanxuan Zhao, Zhifei Zhang, Yijun Li, Yuanhao Cai, Shaoteng Liu, et al. Editverse: Unifying image and video editing and generation with in-context learning. arXiv preprint arXiv:2509.20360, 2025. Kang et al. [2024] Bingyi Kang, Yang Yue, Rui Lu, Zhijie Lin, Yang Zhao, Kaixin Wang, Gao Huang, and Jiashi Feng. How far is video generation from world model: A physical law perspective. arXiv preprint arXiv:2411.02385, 2024. Karaev et al. [2024] Nikita Karaev, Iurii Makarov, Jianyuan Wang, Natalia Neverova, Andrea Vedaldi, and Christian Rupprecht. Cotracker3: Simpler and better point tracking by pseudo-labelling real videos. In Proc. arXiv:2410.11831, 2024. Khazatsky et al. [2024] Alexander Khazatsky, Karl Pertsch, Suraj Nair, Ashwin Balakrishna, Sudeep Dasari, Siddharth Karamcheti, Soroush Nasiriany, Mohan Kumar Srirama, Lawrence Yunliang Chen, Kirsty Ellis, et al. Droid: A large-scale in-the-wild robot manipulation dataset. arXiv preprint arXiv:2403.12945, 2024. Kim et al. [2025] Geonung Kim, Janghyeok Han, and Sunghyun Cho. Videofrom3d: 3d scene video generation via complementary image and video diffusion models. arXiv preprint arXiv:2509.17985, 2025. Kling [2025] Kling. Image to video elements feature, 2025. URL https://klingai.com/global/. Kong et al. [2024] Weijie Kong, Qi Tian, Zijian Zhang, Rox Min, Zuozhuo Dai, Jin Zhou, Jiangfeng Xiong, Xin Li, Bo Wu, Jianwei Zhang, et al. Hunyuanvideo: A systematic framework for large video generative models. arXiv preprint arXiv:2412.03603, 2024. Li et al. [2025] Shuang Li, Yihuai Gao, Dorsa Sadigh, and Shuran Song. Unified video action model. arXiv preprint arXiv:2503.00200, 2025. Liang et al. [2025] Junbang Liang, Pavel Tokmakov, Ruoshi Liu, Sruthi Sudhakar, Paarth Shah, Rares Ambrus, and Carl Vondrick. Video generators are robot policies. arXiv preprint arXiv:2508.00795, 2025. Liao et al. [2024] Mingxiang Liao, Qixiang Ye, Wangmeng Zuo, Fang Wan, Tianyu Wang, Yuzhong Zhao, Jingdong Wang, Xinyu Zhang, et al. Evaluation of text-to-video generation models: A dynamics perspective. Advances in Neural Information Processing Systems, 37:109790–109816, 2024. Liao et al. [2025] Yue Liao, Pengfei Zhou, Siyuan Huang, Donglin Yang, Shengcong Chen, Yuxin Jiang, Yue Hu, Jingbin Cai, Si Liu, Jianlan Luo, et al. Genie envisioner: A unified world foundation platform for robotic manipulation. arXiv preprint arXiv:2508.05635, 2025. Ling et al. [2025] Xinran Ling, Chen Zhu, Meiqi Wu, Hangyu Li, Xiaokun Feng, Cundian Yang, Aiming Hao, Jiashu Zhu, Jiahong Wu, and Xiangxiang Chu. Vmbench: A benchmark for perception-aligned video motion generation. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 13087–13098, 2025. Liu et al. [2023a] Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang, Jie Yang, Chunyuan Li, Jianwei Yang, Hang Su, Jun Zhu, et al. Grounding dino: Marrying dino with grounded pre-training for open-set object detection. arXiv preprint arXiv:2303.05499, 2023a. Liu et al. [2024] Yaofang Liu, Xiaodong Cun, Xuebo Liu, Xintao Wang, Yong Zhang, Haoxin Chen, Yang Liu, Tieyong Zeng, Raymond Chan, and Ying Shan. Evalcrafter: Benchmarking and evaluating large video generation models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 22139–22149, 2024. Liu et al. [2023b] Yuanxin Liu, Lei Li, Shuhuai Ren, Rundong Gao, Shicheng Li, Sishuo Chen, Xu Sun, and Lu Hou. Fetv: A benchmark for fine-grained evaluation of open-domain text-to-video generation. Advances in Neural Information Processing Systems, 36:62352–62387, 2023b. Lynch et al. [2023] Corey Lynch, Ayzaan Wahid, Jonathan Tompson, Tianli Ding, James Betker, Robert Baruch, Travis Armstrong, and Pete Florence. Interactive language: Talking to robots in real time. IEEE Robotics and Automation Letters, 2023. Mandlekar et al. [2018] Ajay Mandlekar, Yuke Zhu, Animesh Garg, Jonathan Booher, Max Spero, Albert Tung, Julian Gao, John Emmons, Anchit Gupta, Emre Orbay, et al. Roboturk: A crowdsourcing platform for robotic skill learning through imitation. In Conference on Robot Learning, pages 879–893. PMLR, 2018. Mandlekar et al. [2023] Ajay Mandlekar, Soroush Nasiriany, Bowen Wen, Iretiayo Akinola, Yashraj Narang, Linxi Fan, Yuke Zhu, and Dieter Fox. Mimicgen: A data generation system for scalable robot learning using human demonstrations. arXiv preprint arXiv:2310.17596, 2023. Mao et al. [2024] Jiageng Mao, Siheng Zhao, Siqi Song, Tianheng Shi, Junjie Ye, Mingtong Zhang, Haoran Geng, Jitendra Malik, Vitor Guizilini, and Yue Wang. Learning from massive human videos for universal humanoid pose control. arXiv preprint arXiv:2412.14172, 2024. Meng et al. [2024a] Fanqing Meng, Jiaqi Liao, Xinyu Tan, Wenqi Shao, Quanfeng Lu, Kaipeng Zhang, Yu Cheng, Dianqi Li, Yu Qiao, and Ping Luo. Towards world simulator: Crafting physical commonsense-based benchmark for video generation. arXiv preprint arXiv:2410.05363, 2024a. Meng et al. [2024b] Fanqing Meng, Wenqi Shao, Lixin Luo, Yahong Wang, Yiran Chen, Quanfeng Lu, Yue Yang, Tianshuo Yang, Kaipeng Zhang, Yu Qiao, et al. Phybench: A physical commonsense benchmark for evaluating text-to-image models. arXiv preprint arXiv:2406.11802, 2024b. Nasiriany et al. [2024] Soroush Nasiriany, Abhiram Maddukuri, Lance Zhang, Adeet Parikh, Aaron Lo, Abhishek Joshi, Ajay Mandlekar, and Yuke Zhu. Robocasa: Large-scale simulation of everyday tasks for generalist robots. arXiv preprint arXiv:2406.02523, 2024. OpenAI [2024] OpenAI. Sora, 2024. URL https://openai.com/sora/. Accessed: 2025-02-26. OpenAI [2025a] OpenAI. Introducing gpt‑5. https://openai.com/index/introducing-gpt-5/, 2025a. OpenAI [2025b] OpenAI. Sora2, 2025b. URL https://openai.com/zh-Hans-CN/index/sora-2/. O’Neill et al. [2024] Abby O’Neill, Abdul Rehman, Abhiram Maddukuri, Abhishek Gupta, Abhishek Padalkar, Abraham Lee, Acorn Pooley, Agrim Gupta, Ajay Mandlekar, Ajinkya Jain, et al. Open x-embodiment: Robotic learning datasets and rt-x models: Open x-embodiment collaboration 0. In 2024 IEEE International Conference on Robotics and Automation (ICRA), pages 6892–6903. IEEE, 2024. Peebles and Xie [2023] William Peebles and Saining Xie. Scalable diffusion models with transformers. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 4195–4205, 2023. Pika [2025] Pika. Pika art 2.0’s scene ingredients: Redefining personalized video creation, 2025. URL https://pikartai.com/scene-ingredients/. Accessed: 2025-02-26. Ren et al. [2024] Tianhe Ren, Shilong Liu, Ailing Zeng, Jing Lin, Kunchang Li, He Cao, Jiayu Chen, Xinyu Huang, Yukang Chen, Feng Yan, Zhaoyang Zeng, Hao Zhang, Feng Li, Jie Yang, Hongyang Li, Qing Jiang, and Lei Zhang. Grounded sam: Assembling open-world models for diverse visual tasks, 2024. Ren et al. [2025] Xuanchi Ren, Tianchang Shen, Jiahui Huang, Huan Ling, Yifan Lu, Merlin Nimier-David, Thomas Müller, Alexander Keller, Sanja Fidler, and Jun Gao. Gen3c: 3d-informed world-consistent video generation with precise camera control. In Proceedings of the Computer Vision and Pattern Recognition Conference, pages 6121–6132, 2025. Runway [2025] Runway. Runway, 2025. URL https://runwayml.com/. Accessed: 2025-02-26. Song et al. [2020] Yang Song, Jascha Sohl-Dickstein, Diederik P Kingma, Abhishek Kumar, Stefano Ermon, and Ben Poole. Score-based generative modeling through stochastic differential equations. arXiv preprint arXiv:2011.13456, 2020. Sun et al. [2025] Kaiyue Sun, Kaiyi Huang, Xian Liu, Yue Wu, Zihan Xu, Zhenguo Li, and Xihui Liu. T2v-compbench: A comprehensive benchmark for compositional text-to-video generation. In Proceedings of the Computer Vision and Pattern Recognition Conference, pages 8406–8416, 2025. Team et al. [2025a] GigaBrain Team, Angen Ye, Boyuan Wang, Chaojun Ni, Guan Huang, Guosheng Zhao, Haoyun Li, Jie Li, Jiagang Zhu, Lv Feng, et al. Gigabrain-0: A world model-powered vision-language-action model. arXiv preprint arXiv:2510.19430, 2025a. Team et al. [2025b] Meituan LongCat Team, Xunliang Cai, Qilong Huang, Zhuoliang Kang, Hongyu Li, Shijun Liang, Liya Ma, Siyu Ren, Xiaoming Wei, Rixu Xie, and Tong Zhang. Longcat-video technical report, 2025b. URL https://arxiv.org/abs/2510.22200. Tharwat et al. [2025] Bahey Tharwat, Yara Nasser, Ali Abouzeid, and Ian Reid. Latent action pretraining through world modeling. arXiv preprint arXiv:2509.18428, 2025. Tian et al. [2024] Yang Tian, Sizhe Yang, Jia Zeng, Ping Wang, Dahua Lin, Hao Dong, and Jiangmiao Pang. Predictive inverse dynamics models are scalable learners for robotic manipulation. In The Thirteenth International Conference on Learning Representations, 2024. Tian et al. [2025] Yang Tian, Yuyin Yang, Yiman Xie, Zetao Cai, Xu Shi, Ning Gao, Hangxu Liu, Xuekun Jiang, Zherui Qiu, Feng Yuan, et al. Interndata-a1: Pioneering high-fidelity synthetic data for pre-training generalist policy. arXiv preprint arXiv:2511.16651, 2025. Unitree [2025] Unitree. Unifolm-wma-0: A world-model-action (wma) framework under unifolm family, 2025. Wan et al. [2025] Team Wan, Ang Wang, Baole Ai, Bin Wen, Chaojie Mao, Chen-Wei Xie, Di Chen, Feiwu Yu, Haiming Zhao, Jianxiao Yang, et al. Wan: Open and advanced large-scale video generative models. arXiv preprint arXiv:2503.20314, 2025. Wang et al. [2025a] Jing Wang, Ao Ma, Ke Cao, Jun Zheng, Zhanjie Zhang, Jiasong Feng, Shanyuan Liu, Yuhang Ma, Bo Cheng, Dawei Leng, et al. Wisa: World simulator assistant for physics-aware text-to-video generation. arXiv preprint arXiv:2503.08153, 2025a. Wang et al. [2025b] Yiping Wang, Xuehai He, Kuan Wang, Luyao Ma, Jianwei Yang, Shuohang Wang, Simon Shaolei Du, and Yelong Shen. Is your world simulator a good story presenter? a consecutive events-based benchmark for future long video generation. In Proceedings of the Computer Vision and Pattern Recognition Conference, pages 13629–13638, 2025b. Wang et al. [2023] Yufei Wang, Zhou Xian, Feng Chen, Tsun-Hsuan Wang, Yian Wang, Katerina Fragkiadaki, Zackory Erickson, David Held, and Chuang Gan. Robogen: Towards unleashing infinite data for automated robot learning via generative simulation. arXiv preprint arXiv:2311.01455, 2023. Wang et al. [2024] Zhouxia Wang, Ziyang Yuan, Xintao Wang, Yaowei Li, Tianshui Chen, Menghan Xia, Ping Luo, and Ying Shan. Motionctrl: A unified and flexible motion controller for video generation. In ACM SIGGRAPH 2024 Conference Papers, pages 1–11, 2024. Wiedemer et al. [2025] Thaddäus Wiedemer, Yuxuan Li, Paul Vicol, Shixiang Shane Gu, Nick Matarese, Kevin Swersky, Been Kim, Priyank Jaini, and Robert Geirhos. Video models are zero-shot learners and reasoners. arXiv preprint arXiv:2509.20328, 2025. Wu et al. [2025a] Bing Wu, Chang Zou, Changlin Li, Duojun Huang, Fang Yang, Hao Tan, Jack Peng, Jianbing Wu, Jiangfeng Xiong, Jie Jiang, et al. Hunyuanvideo 1.5 technical report. arXiv preprint arXiv:2511.18870, 2025a. Wu et al. [2023] Haoning Wu, Zicheng Zhang, Weixia Zhang, Chaofeng Chen, Chunyi Li, Liang Liao, Annan Wang, Erli Zhang, Wenxiu Sun, Qiong Yan, Xiongkuo Min, Guangtai Zhai, and Weisi Lin. Q-align: Teaching lmms for visual scoring via discrete text-defined levels. arXiv preprint arXiv:2312.17090, 2023. Equal Contribution by Wu, Haoning and Zhang, Zicheng. Project Lead by Wu, Haoning. Corresponding Authors: Zhai, Guangtai and Lin, Weisi. Wu et al. [2025b] Hongtao Wu, Ya Jing, Chilam Cheang, Guangzeng Chen, Jiafeng Xu, Xinghang Li, Minghuan Liu, Hang Li, and Tao Kong. Unleashing large-scale video generative pre-training for visual robot manipulation. In The Twelfth International Conference on Learning Representations, 2025b. Wu et al. [2024a] Kun Wu, Chengkai Hou, Jiaming Liu, Zhengping Che, Xiaozhu Ju, Zhuqin Yang, Meng Li, Yinuo Zhao, Zhiyuan Xu, Guang Yang, et al. Robomind: Benchmark on multi-embodiment intelligence normative data for robot manipulation. arXiv preprint arXiv:2412.13877, 2024a. Wu et al. [2024b] Philipp Wu, Yide Shentu, Zhongke Yi, Xingyu Lin, and Pieter Abbeel. Gello: A general, low-cost, and intuitive teleoperation framework for robot manipulators. In 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 12156–12163. IEEE, 2024b. Wu et al. [2025c] Shihan Wu, Xuecheng Liu, Shaoxuan Xie, Pengwei Wang, Xinghang Li, Bowen Yang, Zhe Li, Kai Zhu, Hongyu Wu, Yiheng Liu, et al. Robocoin: An open-sourced bimanual robotic data collection for integrated manipulation. arXiv preprint arXiv:2511.17441, 2025c. Yan et al. [2025] Tianyi Yan, Wencheng Han, Xia Zhou, Xueyang Zhang, Kun Zhan, Cheng-zhong Xu, and Jianbing Shen. Rlgf: Reinforcement learning with geometric feedback for autonomous driving video generation. arXiv preprint arXiv:2509.16500, 2025. Yang et al. [2025] Lujie Yang, HJ Suh, Tong Zhao, Bernhard Paus Graesdal, Tarik Kelestemur, Jiuguang Wang, Tao Pang, and Russ Tedrake. Physics-driven data generation for contact-rich manipulation via trajectory optimization. arXiv preprint arXiv:2502.20382, 2025. Yang et al. [2024] Zhuoyi Yang, Jiayan Teng, Wendi Zheng, Ming Ding, Shiyu Huang, Jiazheng Xu, Yuanming Yang, Wenyi Hong, Xiaohan Zhang, Guanyu Feng, et al. Cogvideox: Text-to-video diffusion models with an expert transformer. arXiv preprint arXiv:2408.06072, 2024. Ye et al. [2025] Seonghyeon Ye, Joel Jang, Byeongguk Jeon, Se June Joo, Jianwei Yang, Baolin Peng, Ajay Mandlekar, Reuben Tan, Yu-Wei Chao, Bill Yuchen Lin, et al. Latent action pretraining from videos. In The Thirteenth International Conference on Learning Representations, 2025. Yuan et al. [2025] Shenghai Yuan, Xianyi He, Yufan Deng, Yang Ye, Jinfa Huang, Bin Lin, Jiebo Luo, and Li Yuan. Opens2v-nexus: A detailed benchmark and million-scale dataset for subject-to-video generation. arXiv preprint arXiv:2505.20292, 2025. Zhang and Agrawala [2025] Lvmin Zhang and Maneesh Agrawala. Packing input frame contexts in next-frame prediction models for video generation. Arxiv, 2025. Zhao et al. [2025] Zhenyu Zhao, Hongyi Jing, Xiawei Liu, Jiageng Mao, Abha Jha, Hanwen Yang, Rong Xue, Sergey Zakharor, Vitor Guizilini, and Yue Wang. Humanoid everyday: A comprehensive robotic dataset for open-world humanoid manipulation. arXiv preprint arXiv:2510.08807, 2025. Zhen et al. [2025] Haoyu Zhen, Qiao Sun, Hongxin Zhang, Junyan Li, Siyuan Zhou, Yilun Du, and Chuang Gan. Tesseract: learning 4d embodied world models. arXiv preprint arXiv:2504.20995, 2025. Zhou et al. [2024] Siyuan Zhou, Yilun Du, Jiaben Chen, Yandong Li, Dit-Yan Yeung, and Chuang Gan. Robodreamer: Learning compositional world models for robot imagination. arXiv preprint arXiv:2404.12377, 2024. Zhu et al. [2025] Chuning Zhu, Raymond Yu, Siyuan Feng, Benjamin Burchfiel, Paarth Shah, and Abhishek Gupta. Unified world models: Coupling video and action diffusion for pretraining on large robotic datasets. arXiv preprint arXiv:2504.02792, 2025. Zhuang et al. [2025] Junhao Zhuang, Shi Guo, Xin Cai, Xiaohui Li, Yihao Liu, Chun Yuan, and Tianfan Xue. Flashvsr: Towards real-time diffusion-based streaming video super-resolution, 2025. URL https://arxiv.org/abs/2510.12747.