面向人形机器人的生成式世界建模：1X世界模型挑战技术报告

arXiv 25.10 2025 42.1 benchmark, method, application

TLDR

该论文围绕“Generative World Modelling for Humanoids: 1X World Model Challenge Technical Report”研究世界模型相关问题。

评分理由

Fallback reasoning generated from available title and abstract metadata: World models are a powerful paradigm in AI and robotics, enabling agents to reason about the future by predicting visual observations or compact latent states. The 1X World Model Challenge introduces an open-source benchmark of real-world humanoid interaction,...

Read-first 评分解释

综合优先阅读分 42.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。

近期性 8%

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

方法质量 25%

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：基准

可复现性 25%

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

主题相关性 42%

30.9

将配置的研究关键词与标题、摘要、标签和分析文本进行匹配。匹配关键词数：6

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：320。

深度分析

创新点

将视频生成基础模型Wan-2.2 TI2V-5B适配为视频状态条件化的未来帧预测
使用AdaLN-Zero将视频生成条件化于机器人状态
通过LoRA对模型进行后训练
从零开始训练时空Transformer模型用于压缩赛道

方法

该挑战包含两个赛道：采样（预测未来图像帧）和压缩（预测未来离散潜在编码）。在采样赛道中，作者将视频生成基础模型Wan-2.2 TI2V-5B进行适配，通过AdaLN-Zero条件化于机器人状态，并使用LoRA进行后训练。在压缩赛道中，他们从零开始训练了一个时空Transformer模型。

关键结果

该模型在采样任务中达到了23.0 dB的PSNR，在压缩任务中达到了6.6386的Top-500 CE，在两个挑战中均获得第一名。

技术栈

Wan-2.2 TI2V-5BAdaLN-ZeroLoRASpatio-Temporal Transformer

资源

论文