8个Token中的规划：一种用于潜在世界模型的紧凑离散分词器

CVPR 26 2026 48.7 method

TLDR

CompACT分词器将观测压缩为8个标记，实现更快且具有竞争力的潜在世界模型规划。

评分理由

The paper presents a novel discrete tokenizer that significantly reduces computational cost for planning in world models, with strong empirical results showing orders-of-magnitude speedup. However, the abstract lacks explicit real-world evaluation and does not detail limitations or comparisons to other tokenization methods.

Read-first 评分解释

综合优先阅读分 48.7，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 35。

近期性 8%

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 42%

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 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：无

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

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：524。

关键词评分

world model

world simulator

model-based reinforcement learning world model

world dynamics prediction

generative world model

interactive world model

video world model

深度分析

创新点

CompACT离散分词器将每个观测压缩为仅8个token，大幅降低计算成本。
实现了数量级更快的规划，同时保持有竞争力的规划性能。
为世界模型在决策时规划的实际部署提供了实用的一步。

方法

本文提出CompACT，一种离散分词器，将每个观测压缩为8个token。基于该分词器构建了一个动作条件的世界模型用于规划。该方法在规划任务上进行了评估，与将观测编码为数百个token的传统分词器进行了比较。

关键结果

CompACT实现了有竞争力的规划性能，同时规划速度比传统分词器快数量级。

资源

论文