说、梦、行：面向指令驱动机器人操作的视频世界模型学习

arXiv 26.2 2026 64.5 method, application

TLDR

提出一个视频世界模型框架，利用视频生成和对抗性蒸馏实现快速准确的未来预测，用于指令驱动机器人操作。

评分理由

The paper addresses a clear gap in robotic manipulation by integrating video generation with action models, showing strong empirical results. However, the abstract lacks specific experimental details and does not explicitly confirm real-world benchmarks, though real observations are mentioned.

Read-first 评分解释

综合优先阅读分 64.5，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 49。

近期性 8%

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 42%

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 25%

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：基线、实验、结果

可复现性 25%

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：205。

关键词评分

world model

video world model

world dynamics prediction

generative world model

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

用于指令驱动机器人操作的快速预测性视频条件动作框架
选择并适配鲁棒视频生成模型以实现可靠的未来预测
用于快速少步视频生成的对抗性蒸馏
利用生成视频和真实观测纠正空间误差的动作模型

方法

该框架首先选择并适配一个鲁棒的视频生成模型以确保可靠的未来预测。然后应用对抗性蒸馏以实现快速、少步视频生成。最后训练一个动作模型，利用生成的视频和真实观测来纠正空间误差，从而实现精确操作。

关键结果

该方法生成时间连贯、空间准确的视频预测，直接支持精确操作，在具身一致性、空间指代能力和任务完成度上相比现有基线取得了显著提升。

技术栈

Video generation modelAdversarial distillationAction modelVision-Language Model (VLM)

资源

论文