DynaVieW：基于模式引导的世界模型用于理解层次化视觉动态

arXiv 2026 34.3 method

TLDR

DynaVieW提出了一种基于模式引导的混合专家世界模型，用于层次化视觉动态预测与模拟。

评分理由

The paper introduces a novel schema-guided approach and mixture-of-experts architecture for modeling hierarchical visual dynamics, which is a strength. However, the abstract lacks explicit real-world benchmarks or empirical evaluations, making it unclear how the method performs in practice.

Read-first 评分解释

综合优先阅读分 34.3，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 34。

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：结果

主题相关性 29%

48.6

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：无

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：147。

关键词评分

world model

world simulator

world dynamics prediction

video world model

generative world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

用于视觉动态的动态模式引导世界模型
交错的状态-转换序列，包含覆盖关键帧和动态构成要素的层次化模式
带有跨专家选择性注意力的混合专家架构
用于鲁棒学习的模式令牌重加权损失

方法

DynaVieW从视频关键帧（状态）和层次化动态构成要素（转换）中学习交错的状态-转换序列。它采用带有跨专家选择性注意力和模式令牌重加权损失的混合专家架构，联合建模转换预测与状态模拟。

关键结果

DynaVieW提升了视觉叙事创作和世界模拟中的下游性能，展现出更好的一致性、可控性和指令遵循能力。

资源

论文