CapPro：单个人类视频引导VLA模型适应新任务

2026年10月15日，arXiv Robotics 报道了 Qi Chen 等作者提出的 CapPro 框架。该框架让预训练 VLA 策略仅凭单段人类演示视频即可适应此前未见过的操作任务，据称无需目标任务的机器人演示，也无需针对目标任务进行微调。方法上，CapPro 先用阶段感知的人类视频表示模块，通过视觉 token 选择与阶段描述监督学习任务相关查询表示，再由视频条件适应模块将紧凑视频与查询表示注入 VLA 的动作条件上下文。实验显示，CapPro 在未见目标任务组上平均性能提升，同时在源任务上保持相当表现。目前该工作以预印本形式发布，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。