世界动作模型是否比视觉-语言-动作模型泛化更好？一项鲁棒性研究

arXiv 26.3 2026 49.9 method, benchmark, application

TLDR

比较WAMs与VLAs在视觉/语言扰动下的鲁棒性，发现WAMs更优。

评分理由

Strengths: Direct comparative study with explicit robustness evaluation on two benchmarks. Weaknesses: Abstract cut off, missing full results and limitations; no mention of real-world deployment beyond simulated benchmarks.

Read-first 评分解释

综合优先阅读分 49.9，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 35。

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

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：基准、数据集、指标、结果

主题相关性 29%

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 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、数据集

引用影响力 18%

40.2

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：0.40205754

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：398。

关键词评分

world model

world dynamics prediction

video world model

model-based reinforcement learning world model

generative world model

world simulator

interactive world model

深度分析

创新点

对世界动作模型（WAMs）与视觉-语言-动作模型（VLA）在视觉和语言扰动下的鲁棒性进行比较研究。
证明WAMs利用动态预测和网络规模视频预训练的时空先验实现了强鲁棒性（例如Cosmos-Policy在LIBERO-Plus上达到82.2%）。
发现部分结合基于视频的动态学习的混合方法表现出中等鲁棒性，突显了视频先验集成方式的重要性。

方法

该研究在LIBERO-Plus和RoboTwin 2.0-Plus基准测试上，对当前最先进的VLA策略和最近发布的WAMs在各种视觉和语言扰动下进行评估，通过比较成功率等性能指标来评估鲁棒性。

关键结果

WAMs实现了强鲁棒性，其中LingBot-VA在RoboTwin 2.0-Plus上达到74.2%的成功率，Cosmos-Policy在LIBERO-Plus上达到82.2%。像π_{0.5}这样的VLA在某些任务上可以达到相当的鲁棒性，但需要大量多样化的机器人数据集和多样化的学习目标进行训练。

资源

论文