SAMPO：面向生成式世界模型的尺度级自回归与运动提示
TLDR
SAMPO结合视觉自回归与因果建模及运动提示，提升生成式世界模型的视频预测与控制能力。
评分理由
The paper introduces a hybrid framework that addresses spatial and temporal coherence in world models, with strong technical contributions like asymmetric tokenization and motion prompts. However, the abstract lacks explicit details on real-world evaluation and limitations, and the claimed improvements are not quantified.
Read-first 评分解释
综合优先阅读分 62.5，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 55。
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：378。
关键词评分
深度分析
创新点
- 提出尺度级自回归与运动提示（SAMPO）混合框架，结合视觉自回归建模（帧内生成）与因果建模（帧间生成）
- 将时间因果解码与双向空间注意力集成，保留空间局部性并支持每个尺度内的并行解码
- 设计非对称多尺度分词器，在观测帧中保留空间细节，为未来帧提取紧凑动态表示
- 引入轨迹感知的运动提示模块，注入物体和机器人轨迹的时空线索，将注意力聚焦于动态区域
方法
SAMPO 是一种混合框架，结合了用于帧内生成的视觉自回归建模和用于帧间生成的因果建模。它采用时间因果解码与双向空间注意力，以保留空间局部性并实现每个尺度内的并行解码。非对称多尺度分词器对观测帧和未来帧进行不同处理，轨迹感知的运动提示模块注入物体和机器人轨迹的时空线索，以改善时间一致性和物理真实性。
关键结果
SAMPO 在动作条件视频预测和基于模型的控制中取得有竞争力的性能，推理速度加快 4.4 倍。它还展示了零样本泛化到未见任务的能力，并受益于更大的模型规模。