用视频学习动作如何改变环境的模型。
具身视频模型像炒菜前脑内试锅：油会不会溅、菜会不会糊，想明白再下铲。
用于机器人训练和动作规划，让AI预判现实因果。
World Model具身视频模型是世界模型的视频化分支。
Embodied AI它帮助具身 AI 预判真实行动的后果。
VLAVLA 可借它先预演，再决定怎么动。