Video2Demo：将视频落地为状态—动作示范

基于摘要分析。Video2Demo 研究如何将人类任务视频转化为机器人模仿学习可用的状态—动作示范，核心贡献是利用 GPT-4 交互查询生成式视觉语言模型（VLM），构建时间一致的状态—动作序列，再由语言模型生成机器人任务代码。 原问题在于，机器人有效模仿示范需要将视觉内容落地到可操作的状态与动作。摘要指出，既有任务专用预测模型往往依赖大量人工标注，且难以泛化到复杂场景；预训练、指令跟随 VLM 虽可生成细致描述，但描述本身未必具备持续追踪物体状态所需的结构与时间一致性。Video2Demo 因此引入交互查询环节，而非直接将独立视频描述作为最终示范。具体查询策略、状态与动作表示、时间一致性约束及代码生成细节尚未验证。 作者报告，在大规模人类活动数据集 EPIC-Kitchens 上，Video2Demo 优于纯 VLM 方法，并能生成准确的机器人任务代码。摘要未提供具体指标、分数、数据划分或对照模型配置，因而无法量化提升，也不能将任务代码准确性等同于真实机器人执行成功率。实验协议、消融及统计信息尚未验证；复现仍需核对所用 VLM、GPT-4 调用与提示配置、视频处理流程以及任务代码评估方式。 该研究的主要对象是视频理解与机器人示范生成，并非 EEG 解码或 BCI。其机制依赖视觉对象、动作及时间关系的语义识别，所给材料没有建立这些表示与神经信号之间的具体对应关系，因此不据此提出 BCI 有效性结论或迁移实验建议；已有 EEG 相关工作尚未检索确认。