KeyWorld：关键帧推理实现高效且有效的世界模型

arXiv 25.9 2025 72.7 method, system, application

TLDR

KeyWorld通过关键帧推理，聚焦语义关键帧计算，在LIBERO上实现5.68倍加速。

评分理由

The paper presents a novel approach to improve efficiency and physical plausibility of world models by identifying and generating key frames, with strong empirical results on a benchmark. However, it lacks real-world validation and the method is limited to text-conditioned tasks, which may restrict generalizability.

Read-first 评分解释

综合优先阅读分 72.7，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 50。

近期性 8%

86.7

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：2025

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：有；数据：无；命中信号：代码

主题相关性 42%

71.4

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 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、基准、评估

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：61。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

将Transformer计算集中在少数语义关键帧上，而非逐帧生成
通过迭代简化机器人运动轨迹来识别真实关键帧
使用轻量级卷积插值器从关键帧重建完整视频

方法

KeyWorld首先通过迭代简化机器人运动轨迹来识别重要转变，获得真实关键帧。然后，训练一个DiT模型，从文本任务描述中推理并生成这些具有物理意义的关键帧。最后，一个轻量级插值器通过修复所有中间帧高效地重建完整视频。

关键结果

在LIBERO基准测试中，KeyWorld相比逐帧生成基线实现了5.68倍加速，并且关注运动感知关键帧进一步提升了生成视频的物理有效性，尤其是在复杂任务上。

资源

论文代码