香港中文大学（深圳）的研究团队发布TASTE-Rob数据集，含100856个精准匹配语言指令的交互视频，助力机器人通过模仿学习提升操作泛化能力 。团队还开发三阶段视频生成流程，优化手部姿态，显著提升视频真实感和机器人操作准确度。