Memory Forcing: 用于Minecraft一致场景生成的时空记忆

arXiv 25.10 2025 58.4 method, application

TLDR

Memory Forcing利用空间记忆和混合训练，提升Minecraft世界建模中自回归视频扩散的长期一致性。

评分理由

The paper introduces a novel framework combining spatial memory with training strategies to balance exploration and revisit consistency, showing strong empirical results. However, the abstract lacks details on baseline comparisons and quantitative metrics, and the approach is limited to Minecraft.

Read-first 评分解释

综合优先阅读分 58.4，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 49。

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

主题相关性 42%

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

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：无；数据：无；命中信号：GitHub

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：367。

关键词评分

world model

interactive world model

video world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

混合训练：暴露不同的游戏模式，引导模型依赖时间记忆或空间记忆
链式前向训练：通过模型展开扩展自回归训练，鼓励依赖空间记忆
点到帧检索：通过将当前可见点映射到源帧，高效检索历史
增量式3D重建：维护并更新显式3D缓存

方法

Memory Forcing将训练协议与几何索引的空间记忆配对。它使用混合训练区分探索和重访模式，链式前向训练进行自回归展开，点到帧检索高效检索历史，增量式3D重建进行显式3D缓存。

关键结果

Memory Forcing在多种环境中实现了卓越的长期空间一致性和生成质量，同时保持扩展序列的计算效率。

资源

论文项目