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

迈向记忆辅助的世界模型：通过空间一致性进行基准测试

arXiv 25.5 2025 81.4 benchmark

TLDR

提出LoopNav数据集和基准，通过循环导航评估世界模型的空间一致性。

评分理由

Strengths: Addresses a clear gap in spatial consistency evaluation for world models with a large, open-source dataset and a novel metric. Weaknesses: Limited to a single simulated environment (Minecraft) and does not demonstrate results on downstream tasks or compare with existing methods.

Read-first 评分解释

综合优先阅读分 81.4，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。

可复现性 25%
100

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：有；数据：有；命中信号：代码、数据集、GitHub

近期性 8%
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

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、数据集、实验、结果

主题相关性 42%
70

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

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：28。

关键词评分

world model
10
interactive world model
8
world simulator
7
video world model
7
generative world model
6
model-based reinforcement learning world model
6
world dynamics prediction
5

深度分析

创新点

  • LoopNav数据集：250小时（2000万帧）的基于循环的导航视频及动作，收集自Minecraft中的多样地点
  • 场景图一致性分数（Scene Graph Consistency Score, SGCS），用于量化空间一致性，对像素级变化保持不变
  • 用于评估世界模型空间一致性的基准，填补了现有数据集和基准的空白

方法

作者提出了LoopNav，一个包含250小时（2000万帧）的基于循环的导航视频及动作的数据集，收集自Minecraft开放世界环境中的多样地点。他们引入了场景图一致性分数（Scene Graph Consistency Score）来量化空间一致性，同时保持对像素级变化的不变性。数据集、基准和代码均已开源。

关键结果

摘要中未报告实验结果；本文侧重于数据集和基准的构建。

资源

论文代码数据

标签