面向机器人控制的因果世界建模

arXiv 26.1 2026 72.6 method

TLDR

提出LingBot-VA，一个用于视频世界建模和机器人控制的自回归扩散框架，在仿真和真实场景中评估。

评分理由

The paper presents a clear methodology with three novel designs and demonstrates real-world applicability, but lacks detailed comparisons or discussion of limitations in the abstract.

Read-first 评分解释

综合优先阅读分 72.6，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 53。

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

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：代码、GitHub

主题相关性 42%

75.7

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

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：59。

关键词评分

video world model

world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

联合学习帧预测和策略执行的自回归扩散框架
集成视觉和动作令牌的共享潜在空间，采用混合Transformer（MoT）架构
闭环展开机制，通过真实观测持续获取环境反馈
异步推理流水线，并行化动作预测和电机执行以实现高效控制

方法

LingBot-VA是一个自回归扩散模型，同时学习帧预测和策略执行。它采用混合Transformer（MoT）架构将视觉和动作令牌集成到共享潜在空间中，使用闭环展开机制融入真实观测，并具有异步推理流水线以实现高效控制。该模型在仿真基准和真实场景上进行了评估。

关键结果

该模型在长时域操作、后训练数据效率以及对新配置的强泛化能力方面显示出显著潜力。

资源

论文代码