面向分层操作策略的世界模型扩展

arXiv 26.2 2026 49.5 method, application

TLDR

使用世界模型作为高层规划器生成目标图像的分层VLA框架，将OOD操作性能从14%提升至69%。

评分理由

The paper presents a novel hierarchical approach that leverages a pre-trained world model for subgoal decomposition, showing strong empirical gains in out-of-distribution scenarios. However, the abstract lacks details on the world model architecture and the scope of real-world validation, limiting assessment of generalizability.

Read-first 评分解释

综合优先阅读分 49.5，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 28。

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

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、结果

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

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：GitHub

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：476。

关键词评分

world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

结合世界模型作为高层规划器和VLA作为低层执行器的分层视觉-语言-动作框架
利用大规模预训练世界模型合成目标图像，用于视觉子目标任务分解（VISTA）
通过向低层策略提供视觉和物理上具体的目标图像，显著提升分布外泛化能力

方法

所提出的分层框架VISTA由一个作为高层规划器的世界模型和一个作为低层执行器的VLA模型组成。高层世界模型将操作任务分解为带有目标图像的子任务序列，低层VLA模型则遵循文本和视觉指导生成动作序列。世界模型经过大规模预训练，系统在大量分布外场景中进行了验证，使用了相同结构的VLA，分别在有和没有世界模型指导的情况下。

关键结果

在相同结构的VLA中，通过世界模型指导，其在新型场景中的性能从14%提升到69%，并且该方法明显优于之前的基线，尤其是在分布外场景中。

资源

论文项目