WorldDiT：统一的世界与动作建模扩散架构

arXiv 2026 43.8 method, benchmark

TLDR

WorldDiT是一种统一的扩散Transformer，用于动作和视觉世界建模，无需大型VLM即可在仿真中取得优异结果。

评分理由

The paper presents a novel unified architecture that jointly generates actions and predicts future visual frames, demonstrating competitive performance on LIBERO simulation benchmarks. Strengths include a clean, scalable design without reliance on large pretrained models. Weaknesses are the lack of real-world experiments and evaluation only on simulation tasks, limiting generalizability.

Read-first 评分解释

综合优先阅读分 43.8，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 44。

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

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、评估、指标、结果

主题相关性 29%

62.9

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

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

引用影响力 18%

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。引用数：0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：363。

关键词评分

world model

generative world model

world dynamics prediction

video world model

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

统一的扩散Transformer架构，将动作生成与视觉世界建模相结合，无需大型预训练VLM动作骨干。
单个模型同时生成连续动作块并从未来摄像头帧预测归一化RGB补丁。
在LIBERO上实现了模型大小与成功率的帕累托最优权衡，提供了一个强大的十亿参数以下基线。

方法

WorldDiT是一个单一的扩散Transformer，训练时生成连续动作块并从未来摄像头帧预测归一化RGB补丁目标。它无需依赖预训练视觉-语言模型即可耦合动作和世界建模。在四个LIBERO仿真套件上使用平均成功率作为评估指标。

关键结果

WorldDiT在所有四个LIBERO套件上位于总模型参数与平均成功率的帕累托前沿，表明一个十亿参数以下的模型可以与大VLM方法竞争。

技术栈

Diffusion TransformerWorldDiTLIBERO

资源

论文