RAR：面向时间一致交互式世界模型的速率自适应推演

arXiv 2026 33.9 method

TLDR

RAR通过Stride-RoPE与多步幅采样，使交互式视频世界模型支持可控速率推演，实现多速率一致、速率切换与更长时域。

评分理由

The paper introduces a clear framework to decouple temporal rate from physical horizon, with Stride-RoPE enabling multi-rate rollout and online rate switching. Strengths include novel methodology and transfer to pretrained models; weaknesses are the lack of explicit real-world dataset details and quantitative results in the abstract.

Read-first 评分解释

综合优先阅读分 33.9，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 49。

近期性 5%

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 25%

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 15%

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 15%

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：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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

排序敏感性

稳定性：volatile；排名波动范围：387。

关键词评分

world model

interactive world model

video world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

识别并形式化了固定时间速率世界模型中的时间速率耦合，包括运行时速率自适应与物理时域覆盖之间的权衡
提出了速率自适应推演（Rate-Adaptive Rollout, RAR），一个使交互式世界模型能够以可控时间速率进行推演的框架
提出了 Stride-RoPE，将不同速率采样的潜在帧对齐到共享物理时间坐标上，实现一致的多速率推演、未见速率泛化以及不丢弃历史的在线速率切换
采用多步幅视频采样，联合学习细粒度动态与长时程演化

方法

RAR 将 Stride-RoPE（将不同速率采样的潜在帧对齐到共享物理时间坐标）与多步幅视频采样相结合，以联合学习细粒度与长时程动态。研究在动作控制和相机控制的环境中、在匹配训练预算下进行评估，并应用于预训练世界模型。

关键结果

在动作控制和相机控制的环境中，RAR 在匹配训练预算下实现了时间一致的多速率推演和在线速率切换，同时保持高速率生成质量并扩展物理时域。RAR 还能迁移到预训练世界模型，同时保持感知质量。

资源

论文