Video Prediction Policy（VPP）是一種基於視頻擴散模型（VDMs）的機器人策略，能夠準確預測未來的圖像序列，展現出對物理動力學的良好理解。VPP利用VDMs中的視覺表示來反映物理世界的演變，這種表示被稱為預測性視覺表示。通過結合多樣化的人類或機器人操控數據集，並採用統一的視頻生成訓練目標，VPP在兩個模擬環境和兩個真實世界基準測試中均優於現有方法。特別是在Calvin ABC-D基準測試中，相較於先前的最佳技術，VPP實現了28.1%的相對改進，並在複雜的真實世界靈巧手操控任務中提高了28.8%的成功率。