FRED：用自蒸馏与时间上下文提升世界动作模型的未来视频表征

FRED 通过自蒸馏让世界动作模型（WAM）在单步去噪中从噪声预测未来视频表征，并以真实未来观测提取的表征为目标，同时用历史观测提供时间上下文。在多种真实操作场景中，FRED 稳定优于对比 WAM，长时程与零样本环境泛化的域外任务提升尤为明显。在仅有真人视频演示、机器人训练数据缺失的任务上，其成功率达 50.0%，最佳对比 WAM 为 19.4%。