Kairos：面向物理AI的原生世界模型栈
TLDR
Kairos是面向物理AI的原生世界模型栈，通过预训练、统一架构和部署感知协同设计，达到顶级基准。
评分理由
The paper presents a comprehensive world model stack with novel components like cross-embodiment data curriculum and hybrid temporal attention, supported by theoretical bounds and benchmark experiments. However, the abstract lacks detailed experimental results and comparisons, and the claims about 'top level' are vague without specific metrics.
Read-first 评分解释
综合优先阅读分 61.5，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。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：458。
关键词评分
深度分析
创新点
- 原生预训练范式（Native Pre-training Paradigm）与跨具身数据课程（Cross-Embodiment Data Curriculum），将异构经验（开放世界视频、人类数据、机器人交互）组织成渐进式发展路径
- 原生统一架构（Native Unified Architecture）与混合线性时间注意力（Hybrid Linear Temporal Attention），结合滑动窗口、扩张滑动窗口和门控线性注意力，用于局部、中程和持久全局记忆，并具有误差累积的形式化理论界限
- 部署感知系统协同设计（Deployment-Aware System Co-Design），支持在服务器和消费级硬件上低延迟生成rollout，用于真实世界的观察-动作-反馈循环
方法
Kairos采用原生预训练范式，使用跨具身数据课程将开放世界视频、人类行为数据和机器人交互序列化为渐进式学习路径。其原生统一架构配备混合线性时间注意力，其中滑动窗口注意力捕捉局部动态，扩张滑动窗口捕捉中程依赖，门控线性注意力维持持久全局记忆，并具有状态传播的形式化理论保证。系统协同设计用于在服务器和消费级硬件上部署，以支持低延迟rollout生成。评估在具身世界模型、长时域和动作策略基准上进行。
关键结果
Kairos在具身世界模型、长时域和动作策略基准上达到顶级性能，同时提供强大的效率-能力权衡，并建立了形式化理论界限，证明其时间分解严格限制了跨扩展时域的误差累积。