DiT4DiT：视频生成联合流匹配动作预测的机器人控制官方实现

DiT4DiT由Mondo-Robotics发布，是其方法的官方实现，核心思路为将视频生成与基于流匹配的动作预测联合建模，用同一套骨干网络同时产出未来视觉预测与机器人动作，再以此驱动机器人控制。联合建模让动作决策能参考生成的视觉想象，有望提升长时序操作的连贯性。仓库环境配置与支持机型需以仓库说明为准。