WAM-202601：Cosmos Policy02【微调训练数据构造方式：把非视频数据伪装成视频帧，插到原本视频帧序列之间，通过mask构造三类训练任务：①Policy训练、②WM训练、③VF训练】-编程实验室

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 Planning
arXiv: 2601.16163

1. 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 , current proprio , I t w r i s t , I t c a m 1 , I t c a m 2 , a t : t + k , future proprio , 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,current proprio,Itwrist,Itcam1,Itcam2,at:t+k,future proprio,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：

blank image → VAE latent placeholder \text{blank image} \rightarrow \text{VAE latent placeholder}blank image→VAE latent placeholder

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)