Astra: 基于自回归去噪的通用交互式世界模型

arXiv 25.12 2025 76.4 method, system

TLDR

Astra是一个交互式通用世界模型，利用自回归去噪实现跨多种真实世界任务的长期视频预测与动作控制。

评分理由

Strengths: novel autoregressive denoising architecture with action-aware adapter and mixture of action experts for heterogeneous actions; demonstrated improvements over SOTA. Weaknesses: limited details on datasets and quantitative results in abstract; no mention of limitations or failure cases.

Read-first 评分解释

综合优先阅读分 76.4，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 57。

近期性 8%

86.7

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：2025

主题相关性 42%

81.4

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

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：有；数据：无；命中信号：数据集、GitHub

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：数据集、实验

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：18。

关键词评分

world model

interactive world model

video world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

用于交互式世界建模的自回归去噪架构
时间因果注意力，用于聚合过去观测并支持流式输出
噪声增强的历史记忆，平衡响应性与时间连贯性
动作感知适配器，将动作信号注入去噪过程
混合动作专家，动态路由异构动作模态

方法

Astra采用自回归去噪架构，结合时间因果注意力处理过去观测并生成流式未来帧。它使用噪声增强的历史记忆防止对过去帧的过度依赖，通过动作感知适配器实现精确动作控制，并利用混合动作专家处理自动驾驶和机器人抓取等任务中的多样化动作模态。

关键结果

在多个数据集上的实验表明，Astra在保真度、长程预测和动作对齐方面优于现有的最先进世界模型。

技术栈

Diffusion TransformersAutoregressive DenoisingTemporal Causal AttentionNoise-Augmented History MemoryAction-Aware AdapterMixture of Action Experts

资源

论文代码