OpenSTL：时空预测学习的综合基准

arXiv 2023 38.9 benchmark, system

TLDR

时空预测学习基准，比较循环与无循环模型在多领域的表现。

评分理由

The paper provides a standardized evaluation framework and extensive datasets, which is a strength for reproducibility. However, it lacks novel model contributions and the core focus is benchmarking rather than advancing world model theory.

Read-first 评分解释

综合优先阅读分 38.9，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 10。

近期性 8%

65.1

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：2023

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：分析、基准、数据集、评估

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：代码、数据集、GitHub

主题相关性 42%

14.3

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

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：90。

关键词评分

world model

video world model

world dynamics prediction

world simulator

generative world model

interactive world model

model-based reinforcement learning world model

资源

论文