VideoAgent是一种自改进的视频生成系统，由斯坦福大学、滑铁卢大学、DeepMind等机构的研究人员共同推出。根据图像观察和语言指令生成视频计划，转换为机器人控制动作。VideoAgent基于自我条件一致性方法细化视频计划，用预训练的视觉-语言模型（VLM）反馈进行迭代优化。在执行过程中，VideoAgent收集环境数据进一步提升视频生成质量，有效减少视频中的幻觉内容，提高任务成功率。系统在模拟环境中表现优异，能改进真实机器人视频，将视频生成技术应用在现实世界提供新的可能性。

VideoAgent – 斯坦福联合多所研究机构推出自改进的视频生成系统 第1张
（图片来源网络，侵删）
VideoAgent – 斯坦福联合多所研究机构推出自改进的视频生成系统 第2张
（图片来源网络，侵删）