GigaWorld-Policy：一种高效的以动作为中心的世界-动作模型

arXiv 26.3 2026 62.8 method, application

TLDR

GigaWorld-Policy是一种以动作为中心的世界-动作模型，高效预测未来动作并可选生成视频，用于机器人策略学习。

评分理由

The paper introduces a novel action-centered World-Action Model that reduces inference overhead and decouples visual and motion representations, with a causal design making video generation optional. Strengths include addressing key bottlenecks and using a large-scale robot dataset, but the abstract lacks experimental results and comparisons to baselines.

Read-first 评分解释

综合优先阅读分 62.8，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 42。

近期性 8%

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 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：基线、数据集、实验、结果

主题相关性 42%

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 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：数据集

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：245。

关键词评分

video world model

world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

以动作为中心的世界-动作模型（WAM），学习2D像素-动作动态，实现高效动作解码和可选视频生成。
两个耦合组件：基于当前观测预测未来动作序列，以及基于预测动作和同一观测生成未来视频。
因果设计防止未来视频令牌影响动作令牌，使显式视频生成在推理时可选，从而加快部署速度。
整理多样化大规模机器人数据集，用于预训练以动作为中心的视频生成模型，然后适配为机器人策略学习骨干。

方法

GigaWorld-Policy将策略训练公式化为两个耦合组件：模型基于当前观测预测未来动作序列，同时基于预测的动作和同一观测生成未来视频。该策略同时受动作预测和视频生成损失的监督。因果设计确保未来视频令牌不影响动作令牌，允许推理时可选视频生成。模型在整理的大规模机器人数据集上作为以动作为中心的视频生成模型进行预训练，然后适配为策略学习。

关键结果

在真实机器人平台上，GigaWorld-Policy运行速度比领先的WAM基线Motus快9倍，同时任务成功率提高7%。与pi-0.5相比，在RoboTwin 2.0上性能提升95%。

资源

论文