Awesome World Model Hub 论文 · 数据集 · 项目
← 返回论文列表

一致性三位一体:通用世界模型的定义性原则

arXiv 26.2 2026 60.8 theory

TLDR

提出一致性三位一体(模态、空间、时间)作为通用世界模型原则,并引入CoW-Bench基准。

评分理由

The paper provides a principled theoretical framework and introduces a benchmark, which are strengths. However, the abstract lacks concrete empirical results and the framework remains conceptual without experimental validation.

Read-first 评分解释

综合优先阅读分 60.8,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 42。

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%
80

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、评估、指标

主题相关性 42%
60

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%
30

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

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:267。

关键词评分

world model
10
world simulator
8
generative world model
7
video world model
7
world dynamics prediction
6
interactive world model
2
model-based reinforcement learning world model
2

深度分析

创新点

  • 提出一致性三位一体(Trinity of Consistency)作为通用世界模型的定义性原则,包括模态一致性(语义接口)、空间一致性(几何基础)和时间一致性(因果引擎)。
  • 引入CoW-Bench,一个专注于多帧推理与生成场景的基准,并提供了统一的评估协议,用于评估视频生成模型和统一多模态模型(UMM)。

方法

本文系统回顾了多模态学习的演进,追溯了从松散耦合的专用模块到实现内部世界模拟器的统一架构的轨迹。它引入了CoW-Bench,一个专为多帧推理与生成设计的基准,并在统一评估协议下评估了视频生成模型和UMM。

关键结果

CoW-Bench提供了一个统一的评估协议,用于评估视频生成模型和UMM在多帧推理与生成任务上的表现,实现了系统比较并突出了当前系统的局限性。

局限性

  • 该领域目前缺乏一个定义通用世界模型必要基本属性的原则性理论框架。
  • 当前系统不满足一致性三位一体(模态、空间和时间一致性),正如所提出的框架所阐明的那样。

标签