Motus：统一潜在动作世界模型

arXiv 25.12 2025 57.6 method

TLDR

Motus通过MoT架构和光流统一理解、视频生成与动作，在仿真和真实任务中取得领先性能。

评分理由

The paper presents a novel unified architecture that integrates multiple modalities and modeling modes, with strong empirical results in both simulated and real-world settings. However, the abstract lacks detailed ablation studies and clarity on the limitations of the approach.

Read-first 评分解释

综合优先阅读分 57.6，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 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%

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

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：无

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：446。

关键词评分

world model

generative world model

video world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

统一潜在动作世界模型，将理解、视频生成和动作整合到单一系统中
混合Transformer（MoT）架构，包含三个专家（理解、视频生成、动作）
UniDiffuser风格调度器，支持多种建模模式（世界模型、VLA、逆动力学、视频生成、视频-动作联合预测）之间的灵活切换
利用光流学习潜在动作，提取像素级“增量动作”
三阶段训练流程和六层数据金字塔，用于大规模动作预训练

方法

Motus采用混合Transformer（MoT）架构，包含三个专家（理解、视频生成、动作）和UniDiffuser风格调度器，以灵活切换建模模式。它利用光流学习潜在动作，并采用三阶段训练流程和六层数据金字塔，提取像素级“增量动作”以实现大规模动作预训练。

关键结果

Motus在仿真环境（相比X-VLA提升15%，相比Pi0.5提升45%）和真实场景（提升11%~48%）中均取得了优于现有最先进方法的性能，证明了所有功能和先验的统一建模显著有利于下游机器人任务。

技术栈

Mixture-of-Transformer (MoT)UniDiffuserOptical Flow

资源

论文