ODEWorld: 一种基于物理时间流的连续预测架构

arXiv 2026 44.9 method, system

TLDR

ODEWorld利用ODE构建连续时间潜在世界模型，实现高效、可逆的物理时间预测。

评分理由

The paper's key strength is its novel continuous-time ODE-based approach that addresses representation collapse and enables arbitrary temporal resolution and backward prediction. However, the abstract lacks specific experimental details and limitations, making it unclear how the method performs on real-world benchmarks or scales.

Read-first 评分解释

综合优先阅读分 44.9，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 56。

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

主题相关性 29%

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 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：实验

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：GitHub

引用影响力 18%

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。引用数：0

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

排序敏感性

稳定性：volatile；排名波动范围：476。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

video world model

interactive world model

深度分析

创新点

物理时间流（PT-Flow）：一个在物理时间中运行的连续潜在速度场，由ODE参数化，通过时间积分进行未来预测
ODEWorld：一种连续时间潜在世界模型，通过在动态表示空间和潜在速度场上强制施加ODE属性来解决表示坍塌问题
连续时间建模支持任意时间分辨率和向后预测，与大多数离散时间模型不同
提供规划导向信息以促进下游策略学习

方法

该方法学习一个由常微分方程（ODE）参数化的连续潜在速度场（PT-Flow），该速度场位于压缩表示空间中。未来预测通过在潜在空间中通过ODE求解器进行时间积分来实现，并使用时变特征和ODE约束来防止表示坍塌。该模型应用于视频生成和机器人控制。

关键结果

ODEWorld成功地将利于规划的动态抽象与视觉真实性相协调，在视频生成和机器人控制方面均表现出色，并在长时间预测后实现了高质量的图像重建。

技术栈

ODEWorldPT-FlowODE solverlatent world model

资源

论文