language-guidance

SPW-Nav 是一种流式全景世界模型，能根据语言指令从单张全景图实时生成一分钟2K 360度视频，并支持中途切换指令，用于语言引导的导航与3D场景探索。

RoboFollow 引入了一个诊断基准，通过分析高场景熵和扰动来揭示具身代理中的指令跟随幻觉，暴露了当前模型在强大初始性能背后的差距。

MolmoMotion是一种新的语言引导的3D运动预测模型，它从视频帧和动作描述中预测未来的3D点轨迹，性能优于现有方法。同时，该模型还发布了一个大型数据集（MolmoMotion-1M）和一个基准（PointMotionBench）。