当下具身智能赛道普遍陷入内卷：各大企业耗费巨额成本从零训练机器人专属基座模型，依赖海量真机操作数据学习动作指令，但这套方案存在难以根治的短板 —— 传统模型直接输出关节角度、末端位移等底层数值指令，动作表征与特定机械臂本体深度绑定，一旦更换机械臂构型，整套控制策略直接失效，工厂、仓储场景跨设备部署成本居高不下。同时，海量互联网视频蕴藏丰富物理交互先验，成熟视频生成模型可精准推演物体碰撞、倾倒、滑动等物理行为，却因缺少适配翻译接口，无法将视觉认知转化为机器人可执行的操作指令。

针对行业双重瓶颈，李飞飞、Yilun Du 两大分野路线学者罕见联手，联合吴佳俊、ControlNet 作者张吕敏等十余位顶尖研究者推出《Masked Visual Actions for Unified World Modeling》论文，提出MVA 掩码视觉动作像素级统一接口，重构视频模型与机器人的交互逻辑，核心思路摒弃 “让视频模型学习机器人数字语言” 的传统路径，改用视频模型原生的像素视觉语言传递动作信号。

整套 MVA 框架仅分三步极简流程，核心创新在于时空掩码完形推演机制：第一，借助SAM 通用分割模型识别画面内机械臂、操作物体，逐帧提取二者轮廓生成动态遮罩，将机器人全部操作动作转化为随时间流动的色块运动轨迹，全程不涉及关节坐标、角度等机器专属数字，完全贴合视频模型的视觉认知逻辑。第二，通过选择性遮挡轨迹实现双向统一建模，无需切换模型参数：遮挡物体运动轨迹、保留机械臂色块，模型作为正向世界模拟器，根据机械臂动作推演物体、环境的后续变化；遮挡机械臂轨迹、保留目标物体移动路径，同一模型切换为逆向动作生成器，反推出完成目标任务所需的机械臂运动方案，一套权重兼顾模拟与规划两类核心需求。第三，采用 LoRA 轻量化微调复用成熟开源视频基座，研究团队基于 140 亿参数 Wan2.2 视频模型开展实验，仅投入15 小时机器人交互数据完成微调，不用重新训练庞大视频基座，既保留模型原生积累的海量物理视觉先验，又大幅压缩训练算力、时间成本，对比传统方案数万元训练开销、上万小时真机数据形成碾压级优势。

为彻底解决异构机械臂泛化难题，MVA 框架引入行业通用URDF 机器人描述文件作为中间适配层，搭建 “像素轨迹输出 — 运动学解算 — 机械臂执行” 分层链路：模型仅输出末端空间目标位置，再依托 URDF 记载的关节长度、转动限制参数，通过正 / 逆运动学（FK/IK） 自动适配不同机型，换算对应机械臂专属关节指令；同时 URDF 自带运动边界约束，可限制视频模型天马行空的无效生成，杜绝物理上无法实现的畸形机械臂姿态，提升画面推演与实操落地的一致性。

多项对比实验数据验证 MVA 方案的优越性：衡量画面还原精度的 LPIPS 指标低至 0.0945，远优于主流 Ctrl-World 方案的 0.362；训练仅使用单臂机器人数据，零样本测试全新双臂机械臂仍可输出可靠动作预测，传统数值动作模型在此场景完全失灵。落地层面，MVA 可实现三类实用功能：一是对多条候选动作开展策略打分，在虚拟画面预演操作结果后择优执行；二是充当轻量化规划器，无需额外训练策略网络，依靠反复视觉推演生成完整操作路径；三是根据任务目标反向输出全套机械臂配合动作，适配分拣、抓取、搬运等工业场景。

从产业落地视角来看，MVA 技术精准踩中 2026 年具身智能视觉、动作分层解耦的行业大趋势：视觉认知依托互联网海量免费视频数据，动作适配依靠少量真机数据搭配运动学计算，两类资源优势互补。以往学界 “抽象数字表征” 与 “直观视觉推演” 两条对立技术路线，在 URDF 运动学解算这一底层逻辑上达成共识，证明具身智能发展不必局限于单一路线。

这篇联合论文带来颠覆性行业启示：具身智能发展的核心不在于持续做大机器人专属基座，而在于搭建高效通用的视觉交互接口，盘活存量成熟视频大模型的海量物理认知；MVA 像素掩码接口消除视频模型与机器人之间的表征壁垒，以极低成本实现跨机型通用操控，有望彻底解决工业场景机械臂换设备宕机、重复训练的长期痛点，为通用低成本机器人落地开辟全新技术路线。