Cosmos Policy 论文 Figure 2 / Figure 8：微调训练数据构造方式与原理详解论文：Cosmos Policy: Fine-Tuning Video Models for Visuomotor Control and PlanningarXiv: 2601.161631. 核心问题：视频模型如何变成机器人策略模型？Cosmos Policy 的出发点是：原始Cosmos-Predict2-2B-Video2World是视频生成模型，它原本只会做：输入起始图像+文本 → 生成后续视频帧 \text{输入起始图像 + 文本} \rightarrow \text{生成后续视频帧}输入起始图像+文本→生成后续视频帧但机器人控制需要的不只是视频帧，还需要：机器人本体状态 \text{机器人本体状态}机器人本体状态动作 \text{动作}动作未来状态 \text{未来状态}未来状态状态价值 \text{状态价值}状态价值多相机视角 \text{多相机视角}多相机视角原始 Cosmos-Predict2 不支持这些机器人控制模态。论文的做法不是新增 action head、value head 或 world model head，而是提出Latent Frame Injection：把这些非图像模态编码成“视频 latent frame”，直接插入视频扩散模型的 latent 序列中。论文明确说明，Cosmos Policy 通过单阶段 post-training，在机器人演示数据上微调 Cosmos-Predict2，且不做架构修改。(ar5iv)2. Figure 2：训练样本的抽象结构Figure 2 展示的是 Cosmos Policy 的 latent diffusion sequence。它可以理解为把一条机器人轨迹样本构造成如下序列：s t → a t : t + k → s t + k → V ( s t + k ) s_t \rightarrow a_{t:t+k} \rightarrow s_{t+k} \rightarrow V(s_{t+k})st​→at:t+k​→st+k​→V(st+k​)其中：s t s_tst​表示当前状态，包括当前机器人本体状态和当前多视角图像；a t : t + k a_{t:t+k}at:t+k​表示一个动作块，也就是连续多个时间步的动作；s t + k s_{t+k}st+k​表示执行动作块后的未来状态；V ( s t + k ) V(s_{t+k})V(st+k​)表示未来状态的价值，即 expected rewards-to-go。Figure 2 的关键是：模型不是只预测动作，而是同时把policy、world model、value function都放进同一个 latent diffusion 序列里。论文描述 Figure 2 时说，原始图像先被 tokenizer 编成 latent frames，然后额外模态被插入 latent frame sequence，最后模型在 clean frames 条件下，对 noised latent frames 做 denoising。(ar5iv)3. 一个完整训练样本如何构造？以论文中的三相机机器人为例：两个第三人称相机 + 一个腕部相机。训练时会构造 11 个 latent frames：[ blank , currentproprio , I t w r i s t , I t c a m 1 , I t c a m 2 , a t : t + k , futureproprio , I t + k w r i s t , I t + k c a m 1 , I t + k c a m 2 , V ( s t + k ) ] [ \text{blank}, \text{current proprio}, I_t^{wrist}, I_t^{cam1}, I_t^{cam2}, a_{t:t+k}, \text{future proprio}, I_{t+k}^{wrist}, I_{t+k}^{cam1}, I_{t+k}^{cam2}, V(s_{t+k}) ][blank,currentproprio,Itwrist​,Itcam1​,Itcam2​,at:t+k​,futureproprio,It+kwrist​,It+kcam1​,It+kcam2​,V(st+k​)]论文原文列出的 11 个位置分别是：blank placeholder（空白占位符）robot proprioception（机器人本体感知，例如末端位姿或关节角）wrist camera image（腕部相机图像）first third-person camera image（第一个第三人称相机图像）second third-person camera image（第二个第三人称相机图像）action chunk（动作块）future robot proprioception（未来机器人本体感知）future wrist camera image（未来腕部相机图像）future first third-person camera image（未来第一个第三人称相机图像）future second third-person camera image（未来第二个第三人称相机图像）future state value（未来状态价值）其中第 2、6、7、11 项是新增非图像模态；第 3、4、5、8、9、10 项是多视角图像模态。(ar5iv)4. Figure 8：训练数据构造的工程实现Figure 8 是 Figure 2 的详细实现版。它回答了一个关键问题：非图像的机器人状态、动作和值，如何真的变成视频 latent frame？4.1 先构造“伪视频图像序列”训练数据一开始不是直接构造 latent，而是先构造一个 image sequence。这个序列里既有真实相机图像，也有全零 blank images。blank images 的作用是占位：blankimage → VAElatentplaceholder \text{blank image} \rightarrow \text{VAE latent placeholder}blankimage→VAElatentplaceholder然后这些 placeholder latent 会被非图像模态覆盖。论文 Figure 8 的说明中明确说：顶部行插入 all-zero blank images，经过 VAE tokenizer 编码成 latent frames；中间行再用 robot proprioception、actions、value 完全覆盖这些 placeholder latent frames。(ar5iv)4.2 为什么最前面有一个 blank frame？Figure 8 里最前面单独放了一个 blank placeholder。这个不是机器人语义信息，而是为了适配视频 VAE 的 tokenization 机制。Cosmos-Predict2 / Wan2.1 tokenizer 的特点是：第一张图像单独编码 \text{第一张图像单独编码}第一张图像单独编码后续图像则按 4 张一组做时序压缩。论文说明，为了让当前时刻观测和未来时刻观测拥有相似结构的 latent representation，作者把当前观测和未来观测都放在