Mask World Model：预测关键因素以实现鲁棒机器人策略学习

arXiv 2026 59.6 method

TLDR

掩码世界模型使用视频扩散预测语义掩码而非RGB像素，提升了机器人策略的鲁棒性和泛化能力。

评分理由

The paper introduces a novel approach to world modeling by predicting semantic masks, which effectively filters out visual noise and improves generalization. Its strengths include strong empirical results on both simulation and real-world benchmarks, but the abstract lacks details on the model's scalability and computational cost.

Read-first 评分解释

综合优先阅读分 59.6，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 51。

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

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：基准、评估、实验、指标、结果

主题相关性 29%

72.9

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

引用影响力 18%

62.7

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：0.62697724

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：无

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

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：374。

关键词评分

world model

video world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

interactive world model

深度分析

创新点

在世界模型中预测语义掩码而非RGB像素以过滤视觉噪声
施加几何信息瓶颈以捕获关键的物理动力学和接触关系
将掩码动力学骨干与基于扩散的策略头集成，实现鲁棒的端到端控制

方法

Mask World Model (MWM) 利用视频扩散架构预测语义掩码而非像素的演化，施加几何信息瓶颈，迫使模型捕获关键的物理动力学和接触关系，同时过滤视觉噪声。该掩码动力学骨干与基于扩散的策略头无缝集成，实现鲁棒的端到端控制。

关键结果

MWM 在 LIBERO 和 RLBench 仿真基准上显著优于最先进的基于RGB的世界模型，真实世界实验（随机令牌剪枝）展示了其卓越的泛化能力和对纹理信息丢失的鲁棒韧性。

资源

论文