DreamX-Phi 1.0：面向机器人操作的动作条件视频世界模型

arXiv 2026 47.6 method, application

TLDR

DreamX-Phi 1.0 是动作条件视频世界模型，预测未来观测，具几何一致性与高效蒸馏，在 WorldArena 2.0 中获第一。

评分理由

The paper introduces a strong video world model with novel geometric encoding and object-consistency techniques, validated by challenge rankings. Weaknesses include lack of detailed experimental methodology and limited evidence beyond benchmark results.

Read-first 评分解释

综合优先阅读分 47.6，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 58。

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

主题相关性 29%

82.9

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：指标、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：代码

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：557。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

动作条件视频世界模型：从观测帧、语言指令和包含末端执行器位姿与夹爪状态的动作序列预测未来观测。
通过 PRoPE 风格几何编码将每个机械臂的 SE(3) 变换注入注意力，保持机械臂身份与刚体运动结构。
增加轻量级深度分支，提供场景级几何约束。
使用 SAM3 掩码和冻结的 V-JEPA 教师模型，在抓取过程中保持物体一致性。
通过分布匹配蒸馏将多步生成器蒸馏为少步学生模型，实现高效部署。

方法

DreamX-Phi 是动作条件视频世界模型，输入观测帧、语言指令以及由末端执行器位姿和夹爪状态组成的动作序列，预测未来帧。它通过 PRoPE 风格几何编码将每个机械臂的 SE(3) 变换注入注意力，使用轻量级深度分支提供场景级几何约束，并利用 SAM3 掩码和冻结的 V-JEPA 教师模型保持物体一致性。最后通过分布匹配蒸馏将多步生成器蒸馏为少步学生模型，以实现高效部署。

关键结果

截至撰写时，DreamX-Phi 在 WorldArena 2.0 Challenge 的 Track 1 中获第一名，在 Track 2 中获第二名。

技术栈

PRoPESAM3V-JEPAdistribution-matching distillation

资源

论文