AdaJEPA: 一种自适应潜在世界模型

arXiv 2026 36.3 method

TLDR

AdaJEPA在MPC闭环内通过自监督更新实现测试时自适应，显著提升分布偏移下的规划性能。

评分理由

The paper introduces a novel test-time adaptation mechanism for latent world models, addressing a key limitation of frozen models. Its strength lies in the closed-loop self-supervised update that requires no extra demonstrations. However, the abstract lacks details on task diversity and does not mention real-world validation, limiting generalizability claims.

Read-first 评分解释

综合优先阅读分 36.3，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 43。

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

主题相关性 29%

61.4

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 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：无

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：无

引用影响力 18%

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。引用数：0

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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：221。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

world simulator

generative world model

video world model

深度分析

创新点

在模型预测控制（MPC）闭环内对潜在世界模型进行测试时自适应
利用观测到的下一状态转换作为信号进行自监督自适应，无需额外专家演示
每次MPC重新规划步骤仅需一个梯度步骤即可持续重新校准世界模型

方法

AdaJEPA是一种潜在世界模型，训练后通过规划动作块、执行第一个块、然后利用观测到的下一状态转换作为自监督自适应信号来更新模型（一个梯度步骤），再重新规划，整个过程在闭环中进行。

关键结果

在一系列目标到达任务中，AdaJEPA在每次MPC重新规划步骤中仅需一个梯度步骤即可显著提高规划成功率。

资源

论文