LAPT-Scale 提出了一种可扩展的潜在动作预训练框架，旨在利用大规模第一人称人类视频来提升通用机器人策略。框架包括两部分：LAPT-Scale-LAM 通过解释视频帧间的视觉转变学习连续的潜在动作，并将其作为人类来源的监督信号；LAPT-Scale-Policy 在此基础上进行 VLA（视觉‑语言‑动作）策略的预训练，随后通过目标机器人形态对齐和任务特定的后训练完成完整学习。
与之前使用向量量化的 LAM 不同，LAPT-Scale-LAM 采用连续潜在空间，以保留细粒度的运动和交互动力学。为了超越像素重建的局限，框架融合了感知、语义和光流对齐信号，实现了更精准的转变级监督。
模型在 23.3K 小时的第一人称视频上进行预训练，得到的潜在动作监督在后续策略预训练中表现出显著的规模效应。实验表明，随着标注视频从 1K 小时提升至 5K 小时，真实机器人任务成功率从 63.3% 提升至 85.0%。此外，学习到的策略还能在未见的视觉条件下保持良好泛化。
点评：LAPT-Scale 展示了利用海量人类视频进行机器人策略学习的可行性，连续潜在空间和多模态对齐的设计是提升跨域迁移性能的关键。