WorldVLM：结合世界模型预测与视觉-语言推理

arXiv 26.3 2026 57 method

TLDR

提出WorldVLM，一种结合视觉-语言模型与世界模型的混合架构，用于上下文感知的自动驾驶行为命令。

评分理由

The paper clearly identifies a gap (limited spatial comprehension of VLMs) and proposes a novel hybrid approach. Strengths include leveraging complementary strengths of VLMs and WMs. Weaknesses: abstract lacks explicit results or limitations, and evaluation details are vague.

Read-first 评分解释

综合优先阅读分 57，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 8%

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 42%

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

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：结果

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：无

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：435。

关键词评分

world model

world dynamics prediction

video world model

generative world model

model-based reinforcement learning world model

interactive world model

world simulator

深度分析

创新点

统一视觉-语言模型（VLM）与世界模型（WM）的混合架构，用于自动驾驶
利用高层VLM生成行为命令以指导驾驶WM，实现可解释且上下文感知的动作

方法

WorldVLM提出了一种混合架构，结合了用于高层场景推理的视觉-语言模型（VLM）和用于动态预测的世界模型（WM）。VLM生成行为命令以指导WM，作者评估了不同的条件策略以整合这两个组件。该方法专为自动驾驶设计，利用了基于上下文的决策与预测的互补优势。

关键结果

论文评估了条件策略，并提供了对自动驾驶中VLM-WM混合设计挑战的见解。摘要中未报告具体的定量结果。

局限性

VLM有限的空间理解能力限制了其作为端到端驾驶模型的有效性
混合设计中的挑战（如条件策略）需要进一步研究

技术栈

Vision-Language Models (VLMs)World Models (WMs)Autonomous driving systems

资源

论文