WEAVER：更好、更快、更长：一种有效的机器人操作世界模型

arXiv 2026 65.4 method

TLDR

WEAVER多视角世界模型，面向机器人操作，实现高保真、一致性和效率，在真实硬件上验证策略评估、改进和规划。

评分理由

The paper presents a novel world model architecture that simultaneously achieves fidelity, consistency, and efficiency, with strong empirical results on real robotic hardware. Its strengths include comprehensive evaluation across policy evaluation, improvement, and planning, while potential limitations may include reliance on specific model architecture choices not fully detailed in the abstract.

Read-first 评分解释

综合优先阅读分 65.4，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 56。

近期性 6%

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

引用影响力 18%

87.8

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：0.87836959

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

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：基线、评估、结果

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：代码、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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：430。

关键词评分

world model

world simulator

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

在机器人操作的世界模型中同时实现保真度、一致性和效率
使用流匹配损失训练的多视角世界模型架构，用于预测未来潜在变量和奖励值
针对模型架构、记忆和预测目标的关键设计决策，实现长时域动态操作任务

方法

WEAVER是一个多视角世界模型，使用流匹配损失训练，预测未来潜在变量和奖励值。该架构在模型结构、记忆机制和预测目标方面融入了设计选择，以处理长时域动态操作任务。在机器人硬件上进行了评估，基线包括π0.5机器人基础模型和先前世界模型。

关键结果

WEAVER在策略评估中与真实成功率的相关系数为0.870，在策略改进中相比π0.5基础模型实现了38%的真实成功率提升，在测试时规划中相比先前世界模型实现了14%的提升和5-10倍加速，同时在分布外场景中表现更优。

技术栈

Flow MatchingMulti-view World ModelLatent PredictionReward Prediction

资源

论文