⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

Orbis 2: 一种用于驾驶的分层世界模型

arXiv 2026 47.2 method, application

TLDR

一种具有双层预测和扩散强制预训练的分层驾驶世界模型，在基准测试中达到最先进性能。

评分理由

The paper introduces a novel hierarchical world model for driving that factorizes prediction across two abstraction levels, and a two-stage training paradigm combining diffusion and teacher forcing. Strengths include clear methodology, strong empirical results on standard benchmarks, and improved internal representations. Weaknesses are domain specificity to driving and lack of explicit discussion of limitations or generalizability.

Read-first 评分解释

综合优先阅读分 47.2，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 48。

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

方法质量 18%
70

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、评估、结果

主题相关性 29%
68.6

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 18%
50

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：检查点、代码、GitHub

引用影响力 18%
0

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%
0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：499。

关键词评分

world model
10
world dynamics prediction
9
generative world model
8
video world model
7
world simulator
6
interactive world model
6
model-based reinforcement learning world model
2

深度分析

创新点

  • 两层分层世界模型：高层预测器用于长时间范围的粗略场景结构，低层生成器基于高层输出生成详细预测。
  • 使用扩散强制目标进行预训练，相比教师强制产生更丰富的内部表示。
  • 两阶段训练范式：先扩散强制预训练，再教师强制微调，结合表示优势与展开稳定性。
  • 在驾驶世界模型基准测试中，包括长时程生成、转向响应性和表示质量，均达到最先进性能。

方法

一种分层世界模型，将未来预测分解为高层（粗略、长时程）和低层（详细、条件化）组件。训练采用两阶段方法：扩散强制预训练后接教师强制微调。模型在标准驾驶世界模型基准测试中评估生成保真度、转向响应性和内部表示质量。

关键结果

该方法在已建立驾驶世界模型基准测试的长时程生成保真度、反事实场景中的转向响应性以及内部表示质量方面均取得最先进结果。

资源

论文

标签