GE-Sim 2.0：迈向机器人操作的综合闭环视频世界模拟器路线图

arXiv 2026 62.9 method, system

TLDR

GE-Sim 2.0是一个闭环视频世界模拟器，用于机器人操作，在真实数据上训练，实现顶级性能。

评分理由

The paper presents a comprehensive system with strong empirical results on a public leaderboard and real-world transfer, but the abstract lacks detailed methodology and discussion of limitations, making it hard to fully assess reproducibility and failure modes.

Read-first 评分解释

综合优先阅读分 62.9，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 63。

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%

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

引用影响力 18%

85.2

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：0.85196052

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：评估

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

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：523。

关键词评分

world simulator

video world model

world model

generative world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

在数千小时的真实机器人数据上重新训练，涵盖遥操作、接触丰富交互和机载策略部署，提升了动作跟随保真度和轨迹覆盖
状态专家模块，从视频潜在表示中解码本体感受状态，支持下游VLA策略的下一块预测
世界裁判模块，根据任务指令对生成的展开进行评分，提供机器可验证的成功信号和奖励
加速框架，在单个H100上2.3秒内生成25帧展开，支持高达4倍帧跳过用于长时域评估

方法

GE-Sim 2.0基于Genie Envisioner的动作条件视频生成框架，并在数千小时的真实机器人数据（包括遥操作、接触丰富交互和机载策略部署）上重新训练。新增三个模块：状态专家从视频潜在表示中解码本体感受状态，世界裁判根据任务指令对展开评分，以及加速框架用于快速推理。模型在WorldArena排行榜上评估，并与专用机器人世界模型和闭源通用视频生成器进行比较。

关键结果

GE-Sim 2.0以仅2B参数在公开WorldArena排行榜上排名第一，超越了专用机器人世界模型和闭源通用视频生成器，并且基于其展开和奖励训练的策略在真实世界中取得了可衡量的性能提升。

技术栈

Genie EnvisionerVLA策略H100 GPUWorldArena

资源

论文