MindJourney：基于世界模型的测试时扩展用于空间推理

arXiv 25.7 2025 62 method

TLDR

MindJourney将VLM与可控视频扩散世界模型结合进行测试时扩展，无需微调即可提升空间推理能力。

评分理由

The paper presents a novel test-time scaling framework that integrates a world model with VLMs, achieving notable performance gains on a spatial reasoning benchmark without fine-tuning. However, it lacks real-world deployment evidence and may face computational challenges due to video diffusion.

Read-first 评分解释

综合优先阅读分 62，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 55。

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%

78.6

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：基准

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：434。

关键词评分

world model

generative world model

interactive world model

video world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

测试时扩展框架，将VLM与基于视频扩散的可控世界模型耦合用于空间推理
迭代过程：VLM勾勒相机轨迹，世界模型合成对应视图，VLM基于多视图证据推理
无需微调，可与现有VLM即插即用集成
优于通过强化学习训练的测试时推理VLM

方法

MindJourney将视觉语言模型（VLM）与基于视频扩散的可控世界模型耦合。在测试时，VLM迭代地勾勒出简洁的相机轨迹，世界模型在每一步合成对应的视图，VLM基于收集的多视图证据进行推理。该框架在SAT空间推理基准上评估，无需任何微调。

关键结果

MindJourney在SAT基准上无需微调即可实现平均7.7%的性能提升，并且优于通过强化学习训练的测试时推理VLM。

资源

论文项目