UVA是一个专为机器人设计的模型，通过两阶段训练（视频生成+动作预测）实现视频理解与动作预测的统一。 它采用联合潜在空间优化、解耦解码等技术，支持多种机器人任务数据集（如PushT、Libero10），在多项任务中超越现有先进模型。 项目提供Colab笔记本快速体验，适用于模拟和真实机器人场景。
Unified Video Action Model 是一个专注于视频与动作建模的项目，旨在帮助机器人理解视频内容并预测后续动作。通过两阶段的训练方法，先进行视频生成，再进行动作预测，从而实现更优的效果。该项目支持多种模拟与真实机器人任务，涵盖了PushT、Libero10等数据集，并提供了Colab笔记本，方便用户快速上手体验。
