DiT4DiT

DiT4DiT是一个面向通用机器人操控的视觉-动作联合建模框架（Vision-Action-Model, VAM），将视频生成扩散Transformer与基于流匹配（flow-matching）的动作预测机制深度融合，支持桌面级抓取与人形机器人全身实时控制。其技术特点是端到端联合建模视频动态演化与动作序列，兼顾泛化性与推理效率，在单策略下完成多任务（如堆叠、抽屉操作、物体重排、家具移动等）。适用于需要跨任务迁移、低延迟响应及视觉引导闭环控制的具身智能场景，尤其适合服务机器人、工业协作机器人等复杂物理交互任务。