用于世界模型增强的视觉-语言-动作模型的双流扩散

arXiv 25.11 2025 44.5 method, application

TLDR

DUST通过双流扩散增强VLA与世界模型，在模拟和真实机器人任务中取得提升。

评分理由

The paper presents a novel architecture (DUST) that effectively addresses the modality gap in joint state-action prediction, with strong empirical results on both simulated benchmarks and real-world robots. However, the abstract lacks discussion of limitations or failure cases, and the novelty over existing world-model methods is not deeply contextualized.

Read-first 评分解释

综合优先阅读分 44.5，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 40。

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：基线、基准、数据集、实验、结果

近期性 6%

86.7

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：2025

主题相关性 29%

57.1

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：数据集

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：513。

关键词评分

world model

world dynamics prediction

generative world model

video world model

model-based reinforcement learning world model

interactive world model

world simulator

深度分析

创新点

用于世界模型增强VLA的双流扩散（DUST）框架
保持独立模态流并实现跨模态知识共享的多模态扩散Transformer
独立噪声扰动和解耦流匹配损失以学习跨模态因果关系
用于动作和视觉令牌的异步采样方法，实现推理时扩展

方法

DUST使用一个多模态扩散Transformer，该Transformer保持视觉和动作模态的独立流，同时实现跨模态知识共享。它采用独立噪声扰动和解耦流匹配损失来学习模态间的因果关系。引入了一种用于动作和视觉令牌的异步采样方法，通过推理时扩展来提升性能。

关键结果

在模拟基准RoboCasa和GR-1上，DUST相比最先进的VLA和世界建模基线实现了高达6%的提升，推理时扩展额外带来2-5%的改进。在使用Franka Research 3的真实世界任务中，DUST的成功率比基线高出10%。

资源

论文