DiLA: 解耦潜在动作世界模型

arXiv 2026 55.4 method

TLDR

DiLA通过内容-结构解耦，提出解耦潜在动作世界模型，解决动作抽象与视频生成保真度的权衡。

评分理由

The paper presents a novel approach to latent action models by co-evolving disentanglement and latent action learning, achieving high-quality video generation and interpretable action spaces. Strengths include clear problem formulation and strong empirical results across multiple tasks; weaknesses are the lack of explicit real-world dataset names and potential limitations in scalability or domain generality.

Read-first 评分解释

综合优先阅读分 55.4，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 51。

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%

79.2

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：0.79203302

主题相关性 29%

72.9

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：结果

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

排序敏感性

稳定性：volatile；排名波动范围：432。

关键词评分

world model

video 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

提出DiLA解耦潜在动作世界模型，通过内容-结构解耦解决动作抽象与生成保真度之间的权衡
共同演化的解耦与潜在动作学习，其中预测瓶颈促使空间布局（结构）与视觉细节（内容）分离
连续、语义结构化的潜在动作空间，同时保持高生成质量

方法

DiLA在潜在动作世界模型中采用内容-结构解耦框架。潜在动作学习固有的预测瓶颈迫使模型将空间布局提炼到结构路径中，同时将视觉细节卸载到单独的内容路径，从而实现高层次动作抽象与高保真生成的同步进行。

关键结果

DiLA在视频生成质量、动作迁移、视觉规划和流形可解释性方面均优于现有方法。

技术栈

PyTorch

资源

论文