#第一人称 (9)

把骨干、动作头与数据配比全部锁死，只换世界模型的预测目标：像素几乎不迁移，DINO 让分布外物体与场景泛化最多提升 4 倍，相机稳定 3D 流让域内提升 20–30%，而推理时世界模型头被整个丢掉，部署成本与行为克隆相同。

Reka 发布 RekaDaily-10k：10,312 小时非脚本第一人称家庭生活视频，由全球付费采集者网络在真实家庭中录制，约 1,670 小时为原生 4K。数据集以 Apache 2.0 协议在 Hugging Face 开放发布，分原始层与处理标注层两个版本。

博客

针对多模态大模型在第一人称场景中空间推理能力不足的问题,提出Ego Scene Augmentation方法,通过场景增强提升第一人称视觉问答的空间感知能力。

提出耦合第一人称控制方法,机器人躯干和底盘自动响应操作者头部和手臂运动,降低全身遥操作协调难度。

利用外视角演示和视觉-语言引导,预测第一人称3D手部姿态,应用于机器人操控。

开放社区导向的第一人称操控数据集和工具链,覆盖从手机采集到模型训练的全流程,为具身智能提供可扩展的低成本持续采集和操控级结构化标注。

从头戴设备进行人体运动捕捉,同时估计佩戴者和周围人的运动,为具身AI和VR/AR提供可扩展的真实人体运动数据。