快速LeWorldModel

arXiv 2026 51.2 method

TLDR

Fast-LeWM通过并行动作前缀预测替代自回归展开，加速潜在世界模型规划，减少误差累积和规划时间。

评分理由

The paper presents a clear methodological improvement over LeWM, with empirical evidence of higher success rates and lower latent loss. However, the abstract lacks details on real-world evaluation, and the scope is limited to latent state planning without addressing generative or video-based world models.

Read-first 评分解释

综合优先阅读分 51.2，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

引用影响力 18%

95.7

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：0.95654014

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

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：无

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

排序敏感性

稳定性：volatile；排名波动范围：461。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

generative world model

world simulator

video world model

深度分析

创新点

用动作前缀预测替代重复的局部展开
从编码的动作前缀并行预测未来潜在状态
前缀级监督迫使模型学习不同动作前缀下的状态演化

方法

Fast-LeWM编码动作前缀并并行预测执行这些前缀后到达的未来潜在状态，使用前缀级监督来建模多视野上的状态演化。在规划过程中，预测器使用编码动作序列的最后一个前缀标记来评估相应的未来潜在状态，无需显式遍历中间状态。

关键结果

Fast-LeWM在显著减少规划时间的同时提高了平均成功率，实现了更低的开环潜在损失，且其增长随着展开视野的增加而显著变慢。

资源

论文