World2Act：基于技能组合世界模型的潜在动作后训练

arXiv 26.3 2026 49.8 method

TLDR

World2Act通过潜在空间对齐将世界模型动态迁移到VLA策略，提升仿真和真实机器人成功率，无需像素监督。

评分理由

The paper introduces a novel latent-space post-training method that avoids pixel-space supervision, showing clear gains on multiple benchmarks and a real robot. Strengths include the contrastive alignment approach and empirical validation; weaknesses are limited scope of benchmarks and lack of detailed analysis of failure cases.

Read-first 评分解释

综合优先阅读分 49.8，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 46。

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

主题相关性 29%

65.7

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 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、基准

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：工件、代码、GitHub

引用影响力 18%

29.2

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：0.29161764

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

排序敏感性

稳定性：volatile；排名波动范围：320。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

video world model

model-based reinforcement learning world model

interactive world model

深度分析

创新点

用于VLA策略的潜在空间后训练框架，避免像素空间监督
通过对比对齐WM动力学潜在表示与动作嵌入，诱导共享的视频-动作潜在空间
引导策略动作表示朝向WM想象的动态而非解码像素

方法

World2Act分两个阶段运行：首先，通过对比对齐WM动力学潜在表示与动作嵌入，诱导共享的视频-动作潜在空间；其次，通过引导策略动作表示朝向WM想象的动态而非解码像素，对VLA进行后训练。该框架基于GR00T-N1.6构建，并在仿真基准（RoboCasa、LIBERO、Bridge-SIMPLER）和真实机器人上进行了评估。

关键结果

World2Act在仿真基准上实现了高达+2.5%的绝对成功率提升，在真实机器人上相比微调VLA基线提升了+6.7%。它比像素空间WM监督高出最多+6.0%，包括在LIBERO上像素监督会降低基线性能的情况。

技术栈

GR00T-N1.6World ModelsVLA policies

资源

论文项目