视频动作模型为视觉-语言-动作系统提供了良好的基础，因为它们能够从大规模视频数据中学习视觉动态，并将这些知识转移到下游的机器人控制中。然而，目前基于扩散的视频预测器使用的似然替代目标，鼓励生成全局上合理的预测，但并未明确优化操控所需的精确视觉动态。这种目标不匹配常常导致物体姿态、空间关系和接触时机等方面的细微错误，这些错误在下游策略中可能被放大。VAMPO是一种后训练框架，通过策略优化直接改善视频...