世界动作模型：具身智能的下一个前沿

arXiv 2026 58.5 survey

TLDR

定义世界动作模型（WAMs）为统一预测状态建模与动作生成的具身基础模型，并系统综述其分类、数据生态与评估协议。

评分理由

Strengths: provides a clear taxonomy and data ecosystem for an emerging paradigm. Weaknesses: lacks real-world experiments or empirical evaluations; purely conceptual survey.

Read-first 评分解释

综合优先阅读分 58.5，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 51。

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%

76.8

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：0.76788883

主题相关性 29%

72.9

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：分析、评估

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：无

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：398。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

world simulator

model-based reinforcement learning world model

video world model

深度分析

创新点

正式定义世界动作模型（WAMs）为统一预测状态建模与动作生成的具身基础模型
提出级联式与联合式WAMs的结构化分类，并按生成模态、条件机制和动作解码策略细分
系统分析WAMs的数据生态，涵盖机器人遥操作、人类演示、仿真和第一人称视频
综合新兴评估协议，围绕视觉保真度、物理常识和动作合理性组织

方法

本文为综述性研究，系统梳理并分类世界动作模型领域碎片化的文献。定义该范式，厘清相关概念，将现有方法组织为级联式与联合式WAMs的分类体系，并分析数据来源、评估协议，指出开放挑战。

关键结果

该综述首次系统阐述WAMs领域全貌，阐明关键架构范式及其权衡，并指出该快速演进领域的开放挑战与未来机遇。

局限性

文献在架构、学习目标和应用场景上仍碎片化，缺乏统一概念框架（本综述前）
由于领域快速演进，综述可能未涵盖所有新兴方法
评估协议仍处于发展阶段，尚未标准化

技术栈

Vision-Language-Action (VLA) modelsWorld ModelsCascaded WAMsJoint WAMsRobot teleoperationSimulationEgocentric video

资源

论文