原文链接： Video generation models as world simulators (openai.com) 摘要： 我们探索了在视频数据上大规模训练生成模型。具体来说，我们在可变片长、分辨率和纵横比的视频和图像上联合训练文本条件扩散模型text-conditional diffusion models。我们利用一种 transformer 架构，该架构在视频和图像潜在代码的时

原文地址：Video generation models as world simulators 我们探索在视频数据上进行大规模生成模型的训练。具体来说，我们联合训练文本条件扩散模型，同时处理不同持续时间、分辨率和长宽比的视频和图像。我们利用一个在视频和图像潜在编码的时空块上运行的转换器结构。我们最大的模型Sora能够生成一分钟高保真度视频。我们的结果表明，扩展视频生成模型是建立物理世界通用目的

文章目录 1. 视频生成模型，可以视为一个世界模拟器2. 技术内容2.1 将可视数据转换成patches2.2 视频压缩网络2.3 Spacetime Latent Patches2.4 Scaling transformers 用于视频生成2.5 可变的持续时间，分辨率，宽高比2.6 抽样的灵活性2.7 改进框架和构图2.8 为视频生成字幕，作为训练集 3. 应用3.1 动画DALL·E图

论文标题：A Survey of Embodied AI: From Simulators to Research Tasks 论文作者：Jiafei Duan, Samson Yu, Hui Li Tan, Hongyuan Zhu, Cheston Tan 论文原文：https://arxiv.org/abs/2103.04918 论文出处：IEEE Transactions on Emer

介绍 具身智能可粗略定义为，智能体（可以是生物或机械），通过与环境产生交互后，通过自身的学习，产生对于客观世界的理解和改造能力。具身智能假设，智能行为可以被具有对应形态的智能体通过适应环境的方式学习到。因此，地球上所有的生物，都可以说是具身智能。 但就目前而言，具身智能是将视觉、语言和推理等传统智能概念融入人工智能体中，以帮助解决虚拟环境中的人工智能问题。 具身智能模拟器 具身智能模