Hydra-0：面向通用世界建模与控制的动作流

arXiv 2026 44.6 method, application

TLDR

Hydra-0将机器人动作表示为像素运动，实现跨本体与任务的通用世界建模与控制。

评分理由

The paper's core contribution is a novel action-flow interface for world modeling, supported by empirical results on the RoboLab benchmark and motion-error reductions. Weaknesses include limited visibility into methodology and potential overreliance on benchmark-specific metrics.

Read-first 评分解释

综合优先阅读分 44.6，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 46。

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：基线、基准、评估、结果

主题相关性 29%

65.7

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：384。

关键词评分

world model

interactive world model

world dynamics prediction

generative world model

world simulator

video world model

model-based reinforcement learning world model

深度分析

创新点

提出 action flow（动作流），将机器人动作表示为像素运动，作为世界建模与控制的共享视觉接口。
通过学习动作后果，实现跨本体、任务、环境和 video-generation backbones 的通用世界建模。
支持 zero-shot composition 与数据高效适应。
揭示了一种涌现的反向模式：从人类演示迁移的期望物体流可预测兼容的机器人动作；训练的动作头将该潜在特征映射为可执行动作，无需任务特定的专家机器人演示。

方法

Hydra-0 是一个以 action flow 为条件的通用世界模型，其中机器人动作被表示为像素运动。研究将其与 action-conditioned baseline 在机器人运动误差和物体运动误差、zero-shot composition、数据高效适应以及 RoboLab 基准上的重放/参考成功率 Pearson 相关性上进行比较。在反向模式中，训练一个 action head 将潜在特征映射为可执行动作，从而从期望物体流生成机器人动作。

关键结果

Hydra-0 相比 action-conditioned baseline 降低了 90.4% 的机器人运动误差和 60.2% 的物体运动误差，同时支持 zero-shot composition 与数据高效适应。在 RoboLab 上，重放成功率与参考成功率的 Pearson 相关系数为 r=0.96；其反向模式可将人类演示的物体流映射为可执行机器人动作，无需任务特定的专家演示。

资源

论文