Bridge-WA：预测世界变化的位置和方式以支持机器人动作

arXiv 2026 30.6 method

TLDR

Bridge-WA将未来变化教师蒸馏为紧凑先验，预测场景变化以支持机器人动作，无需密集生成即可提升泛化能力。

评分理由

The paper presents a lightweight framework that avoids expensive generative world models by distilling future-change priors, showing strong empirical results across multiple benchmarks including real robots. However, the abstract lacks detailed comparison to baselines and does not discuss failure cases or computational cost of the teacher distillation.

Read-first 评分解释

综合优先阅读分 30.6，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 27。

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

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：代码、GitHub

主题相关性 29%

38.6

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：评估

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：118。

关键词评分

world dynamics prediction

world model

interactive world model

generative world model

model-based reinforcement learning world model

world simulator

video world model

资源

论文