面向混合具身任务中长时程演化的世界-自我建模

arXiv 2026 61.6 method

TLDR

提出世界-自我建模范式，将未来演化分解为世界与自我成分，并构建新基准与模型实现SOTA。

评分理由

Strengths include a novel conceptual paradigm, a new benchmark (HTEWorld) for hybrid tasks, and strong empirical results. Weaknesses are the lack of real-world validation and potential overfitting to the specific benchmark.

Read-first 评分解释

综合优先阅读分 61.6，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 52。

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%

82.1

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：0.82096218

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、基准、评估、实验

主题相关性 29%

74.3

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

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：421。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

video world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

世界-自我建模范式，将未来演化分解为世界与自我成分
从运动、语义和意图三个视角定义世界-自我边界
分析后解耦、前解耦和全解耦三种解耦策略
世界-自我模型（WEM），结合隐式分离的世界-自我规划器与级联并行混合专家（CP-MoE）扩散生成器
HTEWorld基准：首个面向混合导航-操作任务的长时域世界建模基准，包含12.5万视频片段和300条多轮评估轨迹

方法

本文提出世界-自我建模范式，将未来演化分离为世界（与指令无关的场景规律）和自我（以机器人为中心、受指令条件化的动态）成分。实例化为世界-自我模型（WEM），该模型将隐式分离的世界-自我规划器与级联并行混合专家（CP-MoE）扩散生成器相结合。为进行评估，作者构建了HTEWorld基准，包含12.5万视频片段（超过450万帧）的细粒度动作标注和300条多轮评估轨迹（超过2000条指令），用于混合导航-操作任务。

关键结果

WEM在HTEWorld基准上达到最先进性能，同时在现有仅操作基准上保持竞争力。

技术栈

World-Ego ModelCP-MoEDiffusion GeneratorImplicit Planner

资源

论文