Olaf-World：面向视频世界模型的潜在动作定向

arXiv 26.2 2026 50 method

TLDR

Olaf-World通过将潜在动作与时序特征差异对齐，从无标签视频中学习动作，实现视频世界模型的零样本迁移。

评分理由

The paper introduces a novel alignment objective (SeqΔ-REPA) to learn structured latent action spaces from unlabeled video, addressing the scarcity of action labels. Strengths include strong zero-shot transfer and data-efficient adaptation, but the abstract lacks explicit discussion of limitations or real-world deployment details.

Read-first 评分解释

综合优先阅读分 50，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 53。

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%

75.7

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：基线、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：代码、GitHub

引用影响力 18%

18.1

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：0.18119106

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：467。

关键词评分

video world model

world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

关键洞察：动作的语义效果是可观测的，可作为跨上下文对齐潜在动作的共享参考
SeqΔ-REPA：一种序列级控制效果对齐目标，将集成的潜在动作与来自冻结自监督视频编码器的时序特征差异锚定
Olaf-World流程：从大规模被动视频中预训练动作条件视频世界模型

方法

本文引入SeqΔ-REPA，一种序列级控制效果对齐目标，将集成的潜在动作与来自冻结自监督视频编码器的时序特征差异对齐。该目标用于Olaf-World流程，从大规模被动视频中预训练动作条件视频世界模型，无需动作标签。

关键结果

该方法学习了更结构化的潜在动作空间，从而在零样本动作迁移和对新控制接口的数据高效适应方面优于最先进的基线方法。

技术栈

Self-supervised video encoderSeqΔ-REPALatent action learning

资源

论文项目