微软亚洲研究院与清华提出 VITRA，用纯人类视频预训练 VLA 实现灵巧操作

微软亚洲研究院与清华大学提出 VITRA 预训练框架，将海量无标注真实人类活动视频自动转化为与机器人 V-L-A 训练格式对齐的数据，构建了包含 100 万个片段、2600 万帧的手部 V-L-A 数据集。