Qwen-RobotWorld技术报告：通过语言条件视频生成统一具身世界建模

arXiv 2026 67.3 method, system

TLDR

Qwen-RobotWorld是语言条件视频世界模型，统一多个具身领域，在多项基准测试中排名第一。

评分理由

Strengths include a unified formulation across diverse embodied tasks, a large-scale dataset (EWK), and strong benchmark performance. Weaknesses are limited discussion of limitations or failure cases, and reliance on benchmarks may not fully capture real-world complexity.

Read-first 评分解释

综合优先阅读分 67.3，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 57。

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

引用影响力 18%

94.5

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：0.94455183

主题相关性 29%

81.4

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：基准、数据集、评估、结果

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：数据集

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：406。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

统一语言条件视频世界模型，以自然语言作为统一动作接口，涵盖机器人操作、自动驾驶、室内导航和人到机器人迁移等具身智能领域。
双流MMDiT与MLLM动作编码：60层双流扩散Transformer，通过逐层联合注意力将冻结的Qwen2.5-VL语义与视频VAE潜变量耦合。
具身世界知识（EWK）数据集：860万视频-文本语料（2亿+帧），包含20+种具身形态和500+动作类别的动作-语言映射。
通用+专家渐进式课程：两阶段训练策略，先学习通用视觉先验，然后在共享语言接口下注入具身专业化。
三个应用方向：用于策略训练增强的合成数据生成、用于策略评估的可扩展虚拟环境、以及用于下游机器人控制的语言引导规划信号。

方法

该模型采用60层双流MMDiT架构，通过逐层联合注意力将冻结的Qwen2.5-VL语义与视频VAE潜变量耦合。模型在具身世界知识（EWK）数据集（860万视频-文本对，2亿+帧，20+种具身形态，500+动作类别）上使用两阶段通用+专家渐进式课程进行训练：先学习通用视觉先验，然后在共享语言接口下注入具身专业化。

关键结果

该模型在EWMBench和DreamGen Bench上总体排名第一，在WorldModelBench和PBench上优于所有开源模型。在RoboTwin-IF基准上的零样本分析展示了强大的泛化能力和多视角一致性。

资源

论文