重建还是语义？什么使潜在空间对机器人世界模型有用

arXiv 2026 67.1 method, application

TLDR

比较重建与语义潜在空间在动作条件视频扩散世界模型中的应用，发现语义编码器对策略相关机器人更优。

评分理由

Strengths include systematic comparison of six encoders and three evaluation axes; weaknesses are reliance on a single dataset (BridgeV2) and lack of real robot validation.

Read-first 评分解释

综合优先阅读分 67.1，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 58。

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%

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：数据集、评估、指标、结果

主题相关性 29%

82.9

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

引用影响力 18%

72.7

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：0.72673804

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：代码、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

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：385。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

系统比较了基于重建（VAE, Cosmos）和语义（V-JEPA 2.1, Web-DINO, SigLIP 2）的潜在空间在动作条件潜在扩散世界模型中的应用。
提出了机器人世界模型的三个评估轴：视觉保真度、规划与下游策略性能、以及潜在表示质量。
证明仅凭视觉保真度不足以选择世界模型，且语义潜在空间在跨模型尺度的策略相关指标上通常优于重建潜在空间。

方法

本研究在BridgeV2数据集上，通过固定协议训练动作条件潜在扩散世界模型变体，评估了六个编码器（VAE, Cosmos, V-JEPA 2.1, Web-DINO, SigLIP 2及一个额外的重建编码器）。性能沿三个轴评估：视觉保真度（像素级重建）、规划与下游策略性能、以及潜在表示质量。

关键结果

重建编码器（VAE, Cosmos）在像素级得分上表现强劲，但语义编码器——尤其是V-JEPA 2.1——在所有模型尺度上始终在规划、下游策略和潜在表示质量方面优于它们。

局限性

评估仅限于单个数据集（BridgeV2），可能无法涵盖多样化的真实机器人场景。
仅比较了六个编码器；未包含其他可能相关的潜在空间。
研究使用了固定的训练协议，未在实际物理机器人上测试，依赖代理指标进行策略评估。

资源

论文