ABot-PhysWorld: 具有物理对齐的机器人操作交互式世界基础模型

arXiv 26.3 2026 71.6 method, application

TLDR

14B扩散Transformer视频世界模型，DPO后训练确保物理合理性，引入零样本基准。

评分理由

The paper addresses a critical limitation of video world models (physical implausibility) with a novel DPO-based training framework and a new benchmark, achieving SOTA. Strengths include clear problem definition, strong empirical results, and a new evaluation protocol. Weaknesses are the domain specificity to manipulation and reliance on a curated dataset.

Read-first 评分解释

综合优先阅读分 71.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 61。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 42%

87.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：140。

关键词评分

world model

video world model

generative world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

基于DPO的后训练框架，结合解耦判别器，在保持视觉质量的同时抑制非物理行为
并行上下文块实现精确的空间动作注入，支持跨本体控制
EZSbench：第一个与训练无关的具身零样本基准，结合真实和合成的未见过的机器人-任务-场景组合，采用解耦协议分别评估物理真实性和动作对齐

方法

ABot-PhysWorld是一个14B参数的Diffusion Transformer模型，在包含三百万个操作片段并带有物理感知标注的精选数据集上训练。它采用新颖的基于DPO的后训练框架，结合解耦判别器抑制非物理行为，并使用并行上下文块实现精确的空间动作注入，支持跨本体控制。评估在PBench和新引入的EZSbench基准上进行。

关键结果

ABot-PhysWorld在PBench和EZSbench上取得了新的最先进性能，在物理合理性和轨迹一致性上超越了Veo 3.1和Sora v2 Pro。

资源

论文