OmniWorld：用于4D世界建模的多领域多模态数据集

arXiv 25.9 2025 60.8 benchmark

TLDR

OmniWorld是一个大规模多领域多模态4D世界建模数据集，支持基准测试并提升重建与视频生成的最优性能。

评分理由

The paper's strength lies in its comprehensive dataset addressing data scarcity in 4D world modeling, with clear performance gains demonstrated. However, the abstract lacks explicit real-world data (dataset appears synthetic/game-based) and does not cover interactive or RL-based world models, limiting scope.

Read-first 评分解释

综合优先阅读分 60.8，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 33。

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、数据集、评估、实验、指标

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%

47.1

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

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：数据集、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：366。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

提出了OmniWorld，一个用于4D世界建模的大规模多领域多模态数据集
OmniWorld-Game数据集相比现有合成数据集具有更丰富的模态覆盖、更大规模和更真实的动态交互
建立了一个具有挑战性的基准，揭示了当前最先进方法在4D世界建模中的局限性
证明了在OmniWorld上微调最先进方法可在4D重建和视频生成中取得显著性能提升

方法

OmniWorld包含新收集的OmniWorld-Game数据集以及多个涵盖不同领域的精选公开数据集。该数据集旨在提供比现有合成数据集更丰富的模态覆盖、更大规模和更真实的动态交互。建立了一个基准来评估最先进方法，并在现有最先进的4D重建和视频生成方法上进行了微调实验。

关键结果

在OmniWorld上微调现有最先进方法可在4D重建和视频生成任务中带来显著的性能提升。该基准还揭示了当前最先进方法在建模复杂4D环境中的局限性。

技术栈

大规模生成模型多模态学习4D几何重建未来预测相机控制视频生成

资源

论文项目