InternW0：面向高效真实世界交互的基础物理世界模型

arXiv 2026 44.7 method, application

TLDR

InternW0通过非对称视频-动作架构与flow matching联合视频预测与机器人控制，经异构数据训练，在真实科学任务上验证。

评分理由

The paper presents a strong integration of visual dynamics and action at different timescales, backed by large-scale heterogeneous training data and real-world evaluations such as MOF synthesis and pipetting. However, the abstract is truncated and lacks quantitative baselines or detailed comparisons, making it difficult to assess novelty and effectiveness fully.

Read-first 评分解释

综合优先阅读分 44.7，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 55。

近期性 5%

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 15%

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、数据集、评估、指标、结果

主题相关性 25%

78.6

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 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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：687。

关键词评分

world model

interactive world model

video world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

InternW物理世界模型系列的首个实例，围绕全模态接口、异步多频率处理以及部分观测和外部影响下的局部物理建模构建
非对称视频-动作架构，利用flow matching联合学习未来视觉动态和连续机器人控制
用于更长时域预测上下文的高容量视频专家，与以更快时间尺度运行的轻量级动作专家配对
复用逐层K/V，并通过观测条件上下文路由适应新观测状态，而非为每次动作更新重新生成未来
支持异构本体的领域特定接口和软提示
结合力和触觉信号的接触感知后训练，用于接触丰富操作
EgoLab数据集，一个275小时真实实验室自我中心数据集，包含在约7,200小时异构机器人和自我中心训练数据中

方法

InternW0采用非对称视频-动作架构与flow matching，联合学习未来视觉动态和连续机器人控制。高容量视频专家提供更长时域的预测上下文，而轻量级动作专家以更快时间尺度运行，通过观测条件上下文路由复用逐层K/V。模型在约7,200小时异构机器人和自我中心数据上训练，包括EgoLab，并使用力和触觉信号进行接触感知后训练。

关键结果

评估涵盖模拟基准和真实世界科学任务，包括15阶段金属有机框架合成流程，以及用于通用定量移液的5阶段接触与力感知灵巧操作。

资源

论文