ActWorld：从可探索到可交互的世界模型——基于动作感知记忆

arXiv 2026 63.4 method

TLDR

ActWorld通过动作感知记忆和新数据集，将导航世界模型扩展至支持物体交互。

评分理由

Strengths: addresses the navigation-interaction gap with a novel hierarchical memory and a 100K interaction video dataset. Weaknesses: abstract lacks detailed experimental results and scalability discussion.

Read-first 评分解释

综合优先阅读分 63.4，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 45。

近期性 6%

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

引用影响力 18%

92.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.92808755

方法质量 18%

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：基线、数据集、实验、结果

主题相关性 29%

64.3

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

可复现性 18%

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、GitHub

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：403。

关键词评分

interactive world model

world model

video world model

world dynamics prediction

world simulator

generative world model

model-based reinforcement learning world model

深度分析

创新点

将导航中心的世界模型扩展为支持在块自回归框架内进行中途物体交互
构建了一个包含10万段交互视频的数据集，并通过思维链推理为每个块添加了字幕
分层动作感知记忆设计，根据交互重要性对历史压缩进行路由，并辅以持久记忆库，用于在长序列中维护事件更新和物体身份令牌

方法

ActWorld使用块自回归框架生成交互式世界模型。它通过构建一个包含10万段交互视频的数据集来解决数据瓶颈，该数据集通过思维链推理为每个块添加了字幕。为了克服记忆瓶颈，它引入了一种分层动作感知记忆，根据交互重要性压缩历史，并在长序列中维护一个持久记忆库，用于存储事件更新和物体身份令牌。

关键结果

ActWorld在单个模型中同时支持灵活的导航和丰富的物体交互，在交互保真度上显著优于仅导航的基线，且不牺牲视角控制。

技术栈

Chunk-autoregressive frameworkAction-aware memoryPersistent memory bankChain-of-thought reasoning

资源

论文