先猜下一帧，机器人换身不用重训🤖
VLA 换台机器人就得重训一遍，真的训不动了😩

过去跨本体只有两条路：要么把不同机器人的动作硬掰进一套"通用动作空间"，坐标变换、逆运动学一顿操作，换个构型就崩；要么只拿动作标签当唯一监督，海量人类操作视频白白浪费。

香港科技大学（广州）+ COCO Matrix 提出 DyPES-VLA：跨机器人共享的应该是"世界会怎么动"的 dynamics priors，而不是动作格式。

🔑核心思路：
Qwen3-VL-2B 后面挂 96 个 query token，让 SANA-600M 的 future generation head 只靠这些 query 画出未来那一帧——生成器拿不到当前观测，信息必须全部挤过 query，硬逼它编码物体运动、接触和场景变化。动作端是 flow-matching DiT 的 MoE head：attention 层全身体共享，FFN 专家按 embodiment metadata 静态路由，直接在各自的 native action space 出 action chunk，一点动作对齐都不做。

✅单一 checkpoint 通吃：LIBERO 98.0%、RoboTwin 2.0 89.02%、RoboCasa-GR1 59.25%
✅真机三种身体（FR3 / COBOT Magic / G1）平均 75.6%，比 GR00T-N1.6 高 16.0 个点
✅砍掉 future prediction 直接掉 2.4 / 2.5 个点，是最大的功臣
✅推理只跑 4 步 Euler，未来生成头全程不参与

跨本体的卡点可能从来就不是"动作空间怎么对齐"，而是"有没有学到世界会怎么动"。只预测一帧未来就这么值钱，那接一个完整世界模型呢？

论文：arxiv 2608.06374
出品：HKUST (Guangzhou) + COCO Matrix（香港科技大学（广州））
具身智能 VLA 机器人 多模态大模型 世界模型 扩散模型 香港科技大学