RoboWorld：用于通用机器人策略评估的快速可靠神经模拟器

arXiv 2026 41.5 method, system, application

TLDR

RoboWorld使用快速视频世界模型、Step Forcing和VLM评分评估机器人策略，与真实世界测试高度相关。

评分理由

The paper introduces a novel evaluation pipeline with Step Forcing to reduce autoregressive mismatch, showing strong empirical correlation (Pearson's r=0.989) with real-world robot evaluation. However, the abstract lacks details on limitations, such as generalization across diverse tasks or failure modes of the world model.

Read-first 评分解释

综合优先阅读分 41.5，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 47。

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

主题相关性 29%

67.1

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：评估、指标

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：无

引用影响力 18%

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%

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：319。

关键词评分

video world model

world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

自动化评估流水线RoboWorld，将快速自回归视频世界模型与任务进度感知的视觉语言模型评分相结合
Step Forcing技术，结合锚定上下文和单步自前向上下文，减少自回归轨迹生成中的训练-测试不匹配

方法

RoboWorld使用快速自回归视频世界模型生成轨迹，并使用视觉语言模型对任务进度进行评分。引入Step Forcing以保持动作-观测动态，同时减少训练与自回归推理之间的不匹配。该流水线的评估分数与真实世界机器人评估指标相关联。

关键结果

RoboWorld与真实世界机器人评估高度一致，皮尔逊相关系数 r = 0.989，斯皮尔曼相关系数 ρ = 0.970。

技术栈

autoregressive video world modelvision-language model (VLM)Step Forcing

资源

论文