LongScape: 利用上下文感知MoE推进长时域具身世界模型

arXiv 25.9 2025 74 method

TLDR

LongScape结合块内扩散与块间自回归，动作引导分块和上下文MoE，实现稳定长时域视频生成。

评分理由

The paper presents a novel hybrid framework that addresses temporal inconsistency and visual drift in long-horizon video generation, with a clear methodological contribution (action-guided chunking and CMoE). However, the abstract lacks explicit mention of real-world benchmarks or datasets, and the evaluation details are not provided, limiting assessment of empirical rigor.

Read-first 评分解释

综合优先阅读分 74，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 53。

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、GitHub

主题相关性 42%

75.7

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

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：实验、结果

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：48。

关键词评分

video world model

world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

结合块内扩散去噪与块间自回归因果生成的混合框架
基于机器人动作语义上下文的动作引导可变长度分块机制
上下文感知的混合专家模型（CMoE），在生成过程中自适应地为每个分块激活专门专家

方法

LongScape 是一种混合框架，自适应地结合块内扩散去噪与块间自回归因果生成。它使用基于机器人动作语义上下文的动作引导可变长度分块机制对视频进行划分，并引入上下文感知的混合专家模型（CMoE），在生成过程中自适应地为每个分块激活专门专家。

关键结果

大量实验结果表明，该方法在扩展的 rollout 上实现了稳定且一致的长时域生成。

技术栈

Diffusion modelsAutoregressive modelsMixture-of-Experts (MoE)Video generationRobotic manipulation

资源

论文代码