VDAWorld：通过VLM导向的抽象与模拟进行世界建模

arXiv 25.12 2025 51.2 method, system

TLDR

VDAWorld利用VLM导向的抽象与自适应模拟构建多功能世界模型，在多个基准上取得最先进结果。

评分理由

The paper presents a novel paradigm that overcomes limitations of generative video models by combining VLM-based scene abstraction with physics simulation. Strengths include demonstrated versatility across interactive control and reasoning tasks. Weaknesses include potential reliance on VLM biases and lack of explicit failure analysis in the abstract.

Read-first 评分解释

综合优先阅读分 51.2，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 6%

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 18%

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、实验、结果

主题相关性 29%

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

引用影响力 18%

53.4

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.53364546

可复现性 18%

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

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

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：341。

关键词评分

world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

generative world model

video world model

深度分析

创新点

新范式：将图像-描述对蒸馏为一种易于处理、针对模拟优化的抽象表示
VLM作为智能代理，通过从一套视觉工具中选择，自主构建基于场景的2D/3D表示
自适应选择兼容的物理模拟器（如刚体、流体），并从静态场景推断潜在动态以预测未来状态

方法

VDAWorld采用视觉语言模型（VLM）作为代理，从图像-描述对中选择视觉工具构建基于场景的2D或3D表示，然后选择兼容的物理模拟器（如刚体、流体），并从静态场景推断潜在动态以预测可能的未来状态，将智能抽象与自适应模拟相结合。

关键结果

VDAWorld在交互控制、反事实生成以及物理与逻辑推理等多个基准测试中取得了最先进的结果，展示了在广泛场景中生成高质量模拟的能力。

资源

论文项目