RynnVLA-002：统一的视觉-语言-动作与世界模型

arXiv 25.11 2025 39.5 method

TLDR

RynnVLA-002统一了视觉-语言-动作与世界模型，联合学习动力学与规划，在仿真和真实任务中取得高成功率。

评分理由

The paper presents a clear unified framework with strong empirical results (97.4% simulation, 50% real-world improvement). However, the abstract lacks details on methodology, limitations, and comparison baselines, making it hard to assess generalizability.

Read-first 评分解释

综合优先阅读分 39.5，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 44。

近期性 6%

86.7

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：2025

主题相关性 29%

62.9

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

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、实验

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：275。

关键词评分

world model

world dynamics prediction

generative world model

video world model

interactive world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

统一的视觉-语言-动作（VLA）与世界模型框架，联合学习环境动力学和动作规划
世界模型（从动作和视觉输入预测未来图像状态）与VLA模型（从图像观测生成动作）之间的相互增强

方法

RynnVLA-002是一个结合了世界模型和VLA模型的统一框架。世界模型利用动作和视觉输入预测未来的图像状态，学习环境的底层物理规律以优化动作生成。VLA模型从图像观测中生成后续动作，增强视觉理解并支持世界模型的图像生成。联合学习使得环境动力学和动作规划能够同时学习。

关键结果

RynnVLA-002在无需预训练的情况下，在LIBERO仿真基准上达到了97.4%的成功率。在真实世界的LeRobot实验中，集成的世界模型将整体成功率提升了50%。

资源

论文