清华的这个工作不错，也把我之前研究过的视频生成结合起来了

《RDT——清华开源的双臂机器人扩散大模型(基于DiT改造而成)：先预训练后微调，支持语言、图像、动作多种输入》http://t.cn/A6nXTLW4 ​​​