估计抓取物体的机械臂末端位姿可以粗分成3大类，一种是判别式，生成很多候选然后打分；一种是生成式，用 Diffusion 直接生成；一种是重建式，重建出完整的3维几何。

LTX-2 基模阅读

基于检索的3D资产生成

LTX 基模阅读

铰接体的工作，并没有生成，而是让 LLM 选择组件进行拼接，并引入 Actor-Cratic 框架。

借鉴了 ControlNet 的思想，把图像条件特征抽取和生成解耦，旁支网络单纯提取特征。

一个 Cache 小总结