VC-1（Visual Cortex）是面向 EmbodiedAI 的视觉表征模型，用于物体操作、室内导航等下游任务。它是基于 Vision Transformer 的模型，提供 ViT-B 和 ViT-L 两种规模；输入为 224x224x3 图像，输出 768x1 embedding，可作为图像帧特征使用。模型采用 MAE 进行预训练。训练数据来自 7 个来源的超过 4,000 小时第一视角视频，并结合 ImageNet；模型卡中说明最终 VC-1 使用 EgoMNI（Manipulation、Navigation、ImageNet）组合数据集训练，包含操作、导航和物体识别相关模态。模型在 CortexBench 上评估，覆盖 Adroit、MetaWorld、DeepMind Control、TriFinger、Habitat、Habitat 2.0 的 17 个任务，包括 Relocate、ObjectNav、ImageNav 和 Mobile Pick 等；表中 VC-1: Ego4D + MNI（ViT-L）的 Mean Success 为 68.7、Mean Rank 为 2.4。限制方面，评估基准被描述为真实机器人任务的代理，真实机器人表现可能不同；模型训练计算开销较高，部署到资源受限设备也可能有挑战。