世界动作模型是零样本策略

arXiv 26.2 2026 64.4 method, application

TLDR

DreamZero用视频扩散世界动作模型实现零样本策略，泛化提升2倍，实时控制7Hz。

评分理由

The paper introduces a novel World Action Model (WAM) that outperforms state-of-the-art VLAs in generalization and enables real-time closed-loop control. Strengths include cross-embodiment transfer and use of heterogeneous data, but the abstract lacks detailed ablation studies or comparisons to other world model approaches.

Read-first 评分解释

综合优先阅读分 64.4，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 53。

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

主题相关性 42%

75.7

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 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：实验、结果

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：295。

关键词评分

world model

video world model

world dynamics prediction

generative world model

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

DreamZero作为一种基于预训练视频扩散骨干的世界动作模型（WAM），通过联合建模视频和动作，从异构机器人数据中学习多种技能，无需重复演示。
通过模型和系统优化，使14B自回归视频扩散模型能够以7Hz频率进行实时闭环控制。
展示了跨本体迁移：来自其他机器人或人类的仅视频演示，仅需10-20分钟数据即可在未见任务上实现超过42%的相对性能提升。
实现了少样本本体适应，仅需30分钟的游戏数据即可迁移到新本体，同时保持零样本泛化能力。

方法

DreamZero是一种基于预训练视频扩散骨干的世界动作模型。它通过预测未来世界状态和动作来学习物理动力学，将视频作为世界演化的密集表示。该模型联合建模视频和动作，在异构机器人数据上进行训练，并采用模型和系统优化，使14B自回归视频扩散模型能够以7Hz频率进行实时闭环控制。

关键结果

DreamZero在真实机器人实验中，与最先进的VLA相比，在新任务和新环境中的泛化能力提升了2倍以上。跨本体迁移中，仅视频演示仅需10-20分钟数据即可在未见任务上实现超过42%的相对性能提升；少样本本体适应仅需30分钟游戏数据即可保持零样本泛化能力。

技术栈

Pretrained video diffusion backbone14B autoregressive video diffusion modelReal-time closed-loop control at 7Hz

资源

论文项目