InSpatio-WorldFM：一种开源实时生成式帧模型

arXiv 26.3 2026 48.9 method

TLDR

开源实时生成式帧模型，用于空间智能，在消费级GPU上实现低延迟多视图一致的世界模拟。

评分理由

Strengths include a novel frame-based paradigm that reduces latency compared to video-based models, multi-view consistency via 3D anchors and spatial memory, and a progressive training pipeline. Weaknesses are the lack of detailed experimental comparisons and limited information on evaluation metrics in the abstract.

Read-first 评分解释

综合优先阅读分 48.9，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 47。

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%

67.1

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：实验、结果

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：GitHub

引用影响力 18%

33.8

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：0.33777937

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

排序敏感性

稳定性：volatile；排名波动范围：302。

关键词评分

world model

generative world model

interactive world model

world simulator

video world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

基于帧的实时空间推理范式，独立生成每一帧以减少延迟，相比基于视频的世界模型
通过显式3D锚点和隐式空间记忆强制多视图空间一致性
渐进的三阶段训练流程：预训练图像扩散模型 → 可控帧模型 → 通过少步蒸馏的实时生成器

方法

InSpatio-WorldFM采用基于帧的范式，独立生成每一帧，使用显式3D锚点和隐式空间记忆强制多视图一致性。该模型通过渐进的三阶段训练流程进行训练，将预训练的图像扩散模型转化为可控帧模型，然后通过少步蒸馏转化为实时生成器。

关键结果

该模型实现了强大的多视图一致性，并支持在消费级GPU上进行交互式探索，为实时世界模拟提供了传统基于视频的世界模型的高效替代方案。

资源

论文项目