Worldscape-MoE: 一种统一的混合专家世界模型，用于可扩展的异构动作控制

arXiv 2026 47.9 method

TLDR

Worldscape-MoE通过混合专家架构统一异构动作控制，实现可扩展世界模型。

评分理由

The paper addresses fragmentation in video generation world models by proposing a unified framework that leverages shared physical regularities across different action modalities. Strengths include a novel MoE architecture and evidence that heterogeneous supervision improves individual control; weaknesses include limited domain scope and potential scalability challenges not fully addressed in the abstract.

Read-first 评分解释

综合优先阅读分 47.9，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 58。

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%

82.9

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：实验、指标、结果

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：570。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

模态感知的控制注入，用于异构动作接口
混合专家架构中的共享与特定控制专家
渐进式MoE调优策略，支持持续扩展到新动作模态

方法

Worldscape-MoE是一个基于扩散变换器的混合专家世界模型，采用模态感知的控制注入、共享与特定控制专家以及渐进式调优策略来处理异构动作模态。它在运动控制、机器人操作和第一人称手部控制任务上进行了评估。

关键结果

异构监督提升了单个控制能力；Worldscape-MoE在WorldArena上取得了强劲结果，改善了运动控制和手部控制指标，展现出鲁棒的分布外泛化能力，并随着更多控制数据和专家的加入表现出扩展行为。

资源

论文