World4Omni: 从图像生成世界模型到机器人操作的零样本框架

arXiv 25.6 2025 40.5 method, application

TLDR

利用图像生成VLM作为世界模型生成目标状态，实现通用机器人操作的零样本框架。

评分理由

The paper presents a novel approach leveraging image-generative VLMs as world models for zero-shot robotic manipulation, with real-world experiments demonstrating strong performance. However, the abstract lacks details on limitations and the scope is narrow, focusing only on goal state generation.

Read-first 评分解释

综合优先阅读分 40.5，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 19。

近期性 8%

86.7

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：2025

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

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

主题相关性 42%

27.1

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

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：280。

关键词评分

generative world model

world model

world simulator

world dynamics prediction

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

利用图像生成VLM作为世界模型生成机器人操作的期望目标状态
使用物体状态表示作为黄金接口，分离高层和低层策略，实现无需训练的低层控制
引入“通过合成进行反思”过程，在执行前迭代验证和细化生成的目标图像

方法

Goal-VLA是一个零样本框架，使用图像生成VLM作为世界模型生成期望的目标状态。从生成的图像中推导出目标物体姿态，作为无需训练的低层控制的空间线索。该系统在仿真和真实环境中进行了评估。

关键结果

该框架在仿真和真实世界的操作任务中实现了强大的性能和令人鼓舞的泛化能力。

资源

论文